如何删除Matplotlib轴的部分区域？解决set_ylim导致误差棒截断问题

一、误差棒被截断的问题 #

当你用ax.set_ylim([0,10])替代set_yticks时，误差棒出现截断，核心原因是部分误差棒的范围超出了你设置的轴上下限，Matplotlib默认会裁剪超出轴范围的绘图元素。比如你数据里第7个点（x=0.7）的y值是0.44，误差是3.61，它的误差棒下限是0.44-3.61=-3.17，这个值远小于你设置的ylim下限0，所以这部分误差棒就被裁剪掉了。

你可以用以下几种方法解决：

• 禁止误差棒被裁剪：在调用errorbar时添加clip_on=False参数，这样即使误差棒超出轴范围也会完整显示：

  ax.errorbar(x, y, yerr=err, clip_on=False)
  

• 调整轴范围容纳误差棒：把ylim的下限设为负数，比如ax.set_ylim([-4, 10])，这样就能完整显示所有误差棒；
• 自动调整轴边距：使用ax.margins(y=0.1)让Matplotlib自动给轴范围添加10%的边距，给误差棒留出显示空间。

二、删除轴的部分区域 #

如果你想删除轴的某一段（比如只显示x轴0.2到1.0的部分，或者隐藏y轴的某一段），可以用这些方法：

1. 隐藏spine的指定区间

直接设置spine的显示范围，超出这个范围的轴部分会被隐藏。比如：

# 让x轴只显示0.2到1.0的部分
ax.spines['bottom'].set_bounds(0.2, 1.0)
# 让y轴只显示1到8的部分
ax.spines['left'].set_bounds(1, 8)

这种方法适合只需要保留轴中间一段的场景。

2. 创建断轴（Broken Axis）

如果需要让轴在中间断开（比如y轴在4的位置断开，分别显示0-4和4-10的区间），可以通过创建两个子图拼接实现，示例代码如下：

import numpy as np
import matplotlib.pyplot as plt

x = np.arange(0.1,1.1,step=0.1)
y = np.array([0.03,0.03,0.05,0.05,0.06,0.17,0.44,1.37,4.43,6.89])
err = np.array([0.02,0.03,0.05,0.06,0.07,0.23,3.61,4.70,1.2,0.7])

# 创建上下两个子图，共享x轴
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10,8), sharex=True)
fig.subplots_adjust(hspace=0.05)  # 减小子图间距，模拟断轴效果

# 在两个子图中分别绘制数据
ax1.errorbar(x, y, yerr=err)
ax2.errorbar(x, y, yerr=err)

# 设置两个子图的y轴范围
ax1.set_ylim(4, 10)  # 上半部分显示4-10
ax2.set_ylim(0, 4)   # 下半部分显示0-4

# 隐藏不需要的spine和刻度
ax1.spines['bottom'].set_visible(False)
ax2.spines['top'].set_visible(False)
ax1.xaxis.tick_top()
ax1.tick_params(labeltop=False)  # 隐藏上子图的x刻度标签
ax2.xaxis.tick_bottom()

# 添加断轴的斜线标记
d = 0.015  # 斜线的长度
kwargs = dict(transform=ax1.transAxes, color='k', clip_on=False)
ax1.plot((-d, +d), (-d, +d), **kwargs)
ax1.plot((1-d, 1+d), (-d, +d), **kwargs)

kwargs.update(transform=ax2.transAxes)
ax2.plot((-d, +d), (1-d, 1+d), **kwargs)
ax2.plot((1-d, 1+d), (1-d, 1+d), **kwargs)

# 统一设置其他样式
for ax in [ax1, ax2]:
    ax.spines['right'].set_visible(False)
    ax.set_ylabel('Y')
ax2.set_xlabel('X')
plt.show()

3. 自定义Spine路径（进阶）

如果需要更复杂的轴形状，可以使用matplotlib.path.Path自定义spine的显示路径，比如让轴呈现折线或其他形状，但这个方法需要对Matplotlib的路径系统有一定了解，适合高级定制场景。

内容的提问来源于stack exchange，提问作者Sam Macharia