带负值的对数-线性（log-lin）图绘制及变量关系可视化方案咨询

你遇到的核心问题很明确：标准对数刻度（log）没法处理负值——毕竟对数函数在实数域只对正数有定义，这也是你触发RuntimeWarning的原因。下面给你几个实用的替代方案，既能展示数据的量级差异，又能完整保留负值的信息，帮你观察变量间的理论关联：

方案1：使用对称对数刻度（Symlog） #

Matplotlib内置的symlog刻度专门用来处理包含正负值的宽范围数据——它在0附近用线性刻度，远离0的区域用对数刻度，完美适配你的需求。你可以直接替换plt.yscale('log')为plt.yscale('symlog')，同时按需调整拟合逻辑：

import matplotlib.pyplot as plt
import numpy as np

# 示例数据（替换成你的真实数据即可）
x = np.linspace(0, 10, 100)
y = np.random.normal(0, 100, 100)
y[20:50] *= -1  # 模拟负值数据

plt.scatter(x, y, c='indianred', alpha=0.5)

# 如果需要拟合线，可选择线性拟合（适配symlog的分段特性）
z = np.polyfit(x, y, 1)
p = np.poly1d(z)
plt.plot(x, p(x), "-", color="grey", alpha=0.5)

plt.yscale('symlog')
plt.ylabel('y (对称对数刻度)')
plt.xlabel('x')
plt.show()

优点：无需转换原始数据，直接保留所有值的正负和量级信息，图表直观易懂。
缺点：0附近的线性区域会让小量级正负值看起来更分散，适合负值跨度较大的场景。

方案2：绝对值+符号视觉编码 #

如果你的核心需求是展示y值的量级差异，同时区分正负，可以把y的绝对值用对数刻度，再用颜色/标记样式区分正负：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.random.normal(0, 100, 100)
y[20:50] *= -1

# 区分正负数据
pos_mask = y > 0
neg_mask = y < 0

plt.scatter(x[pos_mask], np.abs(y[pos_mask]), c='indianred', alpha=0.5, label='正y值')
plt.scatter(x[neg_mask], np.abs(y[neg_mask]), c='steelblue', alpha=0.5, marker='^', label='负y值')

# 可选：拟合绝对值的趋势线
z = np.polyfit(x, np.abs(y), 1)
p = np.poly1d(z)
plt.plot(x, p(x), "-", color="grey", alpha=0.5, label='|y|拟合线')

plt.yscale('log')
plt.ylabel('|y| (对数刻度)')
plt.xlabel('x')
plt.legend()
plt.show()

优点：完美保留量级的对数展示效果，正负区分清晰。
缺点：y的原始符号无法直接体现在轴上，需依赖视觉编码传递信息。

方案3：偏移对数转换（适合小范围负值场景） #

如果你的负值只是轻微偏移（比如测量误差导致的小负数），可以给所有y值加一个偏移量，让它们全部变为正数后再取对数。注意偏移量要足够大（确保所有转换后的值为正），同时尽量不扭曲原始数据的量级关系：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.random.normal(5, 10, 100)
y -= 15  # 模拟小范围负值

offset = np.abs(np.min(y)) + 1  # 计算足够的偏移量
y_shifted = y + offset

plt.scatter(x, y_shifted, c='indianred', alpha=0.5)

# 拟合转换后的数据
z = np.polyfit(x, np.log(y_shifted), 1)
p = np.poly1d(z)
plt.semilogy(x, np.exp(p(x)), 'g--', label='偏移后对数拟合线')

plt.yscale('log')
plt.ylabel(f'y + {offset:.1f} (对数刻度)')
plt.xlabel('x')
plt.legend()
plt.show()

优点：能使用标准对数刻度，拟合线符合log-lin趋势。
缺点：偏移量的选择很关键，若负值跨度大，会严重扭曲数据的相对量级，仅适合小范围负值场景。

方案4：分面展示正负数据 #

如果正负数据的趋势差异较大，可以把正、负y值分成两个子图，分别用对数刻度展示，更清晰地观察各自的趋势：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.random.normal(0, 100, 100)
y[20:50] *= -1

pos_mask = y > 0
neg_mask = y < 0

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8, 6), sharex=True)

# 正y值子图
ax1.scatter(x[pos_mask], y[pos_mask], c='indianred', alpha=0.5)
z_pos = np.polyfit(x[pos_mask], np.log(y[pos_mask]), 1)
p_pos = np.poly1d(z_pos)
ax1.semilogy(x[pos_mask], np.exp(p_pos(x[pos_mask])), 'g--')
ax1.set_ylabel('正y值 (对数刻度)')
ax1.set_title('正y值趋势')

# 负y值子图（取绝对值后用对数刻度）
ax2.scatter(x[neg_mask], np.abs(y[neg_mask]), c='steelblue', alpha=0.5)
z_neg = np.polyfit(x[neg_mask], np.log(np.abs(y[neg_mask])), 1)
p_neg = np.poly1d(z_neg)
ax2.semilogy(x[neg_mask], np.exp(p_neg(x[neg_mask])), 'g--')
ax2.set_ylabel('|负y值| (对数刻度)')
ax2.set_xlabel('x')
ax2.set_title('负y值趋势')

plt.tight_layout()
plt.show()

优点：可分别观察正负数据的趋势，避免互相干扰。
缺点：占用更多图表空间，不适合快速对比整体趋势。

内容的提问来源于stack exchange，提问作者Joehat