如何绘制数值跨度悬殊的DataFrame双列对比单列图表？

下面几种方案可以帮你在同一图表（或同画布）中清晰展示B、C随A的变化规律：

1. 双Y轴绘图 #

用两个独立的Y轴分别对应B和C的数值范围，既能在同一图中对比趋势，又不会因为跨度大掩盖小数值细节。

import pandas as pd
import matplotlib.pyplot as plt

data = {'A': [ -0.9, -0.5, -0.3, -0.1, 0, 0.2, 0.4, 0.5, 0.8, 0.9,], 
        'B': [0, 0, 17, 59, 243, 6777, 35531, 909876, 3, 8],
        'C': [7312, 22434, 10787, 4576, 25,  0, 5, 12, 0, 32]} 
df = pd.DataFrame(data)

fig, ax1 = plt.subplots()

# 绘制B列，用左Y轴
color = 'tab:blue'
ax1.set_xlabel('A')
ax1.set_ylabel('B', color=color)
ax1.plot(df['A'], df['B'], color=color, marker='o')
ax1.tick_params(axis='y', labelcolor=color)

# 创建右Y轴，绘制C列
ax2 = ax1.twinx()
color = 'tab:orange'
ax2.set_ylabel('C', color=color)
ax2.plot(df['A'], df['C'], color=color, marker='s')
ax2.tick_params(axis='y', labelcolor=color)

fig.tight_layout()
plt.show()

这个方案能直观对比两列随A的变化趋势，比如你提到的A<0时C值高、A>0时B值高的模式会非常明显。

2. 带偏移的对数变换（同一Y轴） #

如果希望用同一Y轴展示，可对数据做log1p变换（即log(1 + x)），它能把0映射为0，同时大幅压缩大数值的跨度，保留小数值的差异：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

data = {'A': [ -0.9, -0.5, -0.3, -0.1, 0, 0.2, 0.4, 0.5, 0.8, 0.9,], 
        'B': [0, 0, 17, 59, 243, 6777, 35531, 909876, 3, 8],
        'C': [7312, 22434, 10787, 4576, 25,  0, 5, 12, 0, 32]} 
df = pd.DataFrame(data)

# 对B、C做log1p变换
df['B_log'] = np.log1p(df['B'])
df['C_log'] = np.log1p(df['C'])

# 同一图绘制变换后的数据
df.plot(x='A', y=['B_log', 'C_log'], kind='line', marker=['o', 's'])
plt.ylabel('log(1 + value)')
plt.legend(['B (log1p)', 'C (log1p)'])
plt.show()

注意：变换后Y轴是对数刻度的衍生值，需要结合原始数据解读，但能清晰看到两列的相对趋势变化。

3. 共享X轴的子图 #

把B和C的趋势图放在同一画布的上下子图，共享X轴（A列），这样各自的Y轴独立，细节都能看清：

import pandas as pd
import matplotlib.pyplot as plt

data = {'A': [ -0.9, -0.5, -0.3, -0.1, 0, 0.2, 0.4, 0.5, 0.8, 0.9,], 
        'B': [0, 0, 17, 59, 243, 6777, 35531, 909876, 3, 8],
        'C': [7312, 22434, 10787, 4576, 25,  0, 5, 12, 0, 32]} 
df = pd.DataFrame(data)

# 创建2行1列的子图，共享X轴
fig, (ax1, ax2) = plt.subplots(2, 1, sharex=True, figsize=(8, 6))

# 绘制B列
ax1.plot(df['A'], df['B'], color='tab:blue', marker='o')
ax1.set_ylabel('B')
ax1.grid(True)

# 绘制C列
ax2.plot(df['A'], df['C'], color='tab:orange', marker='s')
ax2.set_xlabel('A')
ax2.set_ylabel('C')
ax2.grid(True)

plt.tight_layout()
plt.show()

这个方案适合需要同时观察两列各自数值细节的场景，上下对齐的子图也方便对比同一A值下的B、C变化。

内容的提问来源于stack exchange，提问作者Prathibha K