如何在数据转换后基于原始数据设置坐标轴范围（禁用twinx）

需求回顾 #

现有一段概率分布绘图的Python代码，需调整为：

• X轴保留原始failure数据的数值范围
• Y轴范围固定为0到1（对应0%到99.9999%的概率）
• 不使用双坐标轴（twinx）

当前代码通过对数和极值分布转换实现线性拟合，但绘图时用的是转换后的坐标，不符合需求。

修改后的代码 #

import numpy as np
import matplotlib.pyplot as plt 

# 原始失效数据
failure = np.array([168, 202, 190, 197, 169, 214, 201, 219, 206, 198, 190, 183, 206, 218, 214, 206, 213, 202, 209, 206])

# 计算概率分布绘图位置（原始概率值）
def plottingPositionOriginal(failure, a=0.3):
    x = np.sort(failure)
    n = len(x)
    F = [(i - a) / (n + 1 - 2 * a) for i in range(1, len(failure)+1)]
    return x, np.array(F)

# 拟合极值分布并返回原始坐标下的拟合值
def plottingPositionFit(failure):
    t, F = plottingPositionOriginal(failure)
    # 转换变量用于线性拟合
    x_log = np.log(t)
    y_transformed = np.log(-np.log(1 - F))
    
    # 拟合线性模型
    beta, c = np.polyfit(x_log, y_transformed, 1)
    # 反向转换得到拟合的概率值
    y_fit_transformed = beta * x_log + c
    F_fit = 1 - np.exp(-np.exp(y_fit_transformed))
    
    return t, F, F_fit

# 获取原始坐标下的数据和拟合值
X_original, Y_original, Y_fit = plottingPositionFit(failure)

# 绘图
fig, ax = plt.subplots()
ax.scatter(X_original, Y_original, label='原始数据点')
ax.plot(X_original, Y_fit, label='拟合线')

# 设置坐标轴范围
ax.set_xlim(np.min(failure), np.max(failure))
ax.set_ylim(0, 1)

# 添加标签和图例
ax.set_xlabel('失效数据')
ax.set_ylabel('累积概率')
ax.legend()

plt.show()

关键修改说明 #

1. 保留原始X轴：直接使用plottingPositionOriginal返回的排序后原始失效数据作为X轴坐标，不再用对数转换后的值
2. Y轴回归0-1范围：通过反向转换拟合后的极值分布值，得到0到1之间的累积概率值F_fit，替代原转换后的Y坐标
3. 强制坐标轴范围：用set_xlim和set_ylim分别固定X轴为原始失效数据的最小到最大值，Y轴为0到1
4. 移除双坐标轴依赖：所有绘图都基于同一坐标轴，完全符合需求

内容的提问来源于stack exchange，提问作者A.E