如何根据信号位置编程调整Matplotlib绘图的X轴显示范围

你可以在绘图前通过阈值筛选计算出有效信号的x轴范围，无需先渲染全量数据，示例实现如下：

import numpy as np
import matplotlib.pyplot as plt

def pdf(x, mean, std):
    """Return a PDF."""
    y_out = 1/(std * np.sqrt(2 * np.pi)) * np.exp(-(x - mean)**2 / (2 * std**2))
    return y_out

def auto_xlim(x, y, threshold=10, padding_ratio=0.1):
    """
    自动计算适配有效信号的x轴范围
    :param x: x轴原始数据
    :param y: y轴原始数据
    :param threshold: 有效信号的最低阈值
    :param padding_ratio: 边界留空比例，基于有效x范围的长度计算
    :return: 适配后的x_min, x_max
    """
    # 筛选出y值高于阈值的有效点
    valid_mask = y >= threshold
    if not np.any(valid_mask):
        # 没有有效信号时返回原始x的全范围
        return x.min(), x.max()
    valid_x = x[valid_mask]
    x_min, x_max = valid_x.min(), valid_x.max()
    # 计算边距
    padding = (x_max - x_min) * padding_ratio
    return x_min - padding, x_max + padding

# 测试数据1：单峰数据
x = np.linspace(-1000, 1000, 20000)
y = 100 * pdf(x, 0, 1) + np.random.normal(0, 1, 20000)

fig, ax = plt.subplots()
# 先计算自动x范围再绘图
auto_x_min, auto_x_max = auto_xlim(x, y, threshold=10)
ax.set_xlim(auto_x_min, auto_x_max)
ax.plot(x, y)
plt.show()

# 测试数据2：多峰数据
y2 = 100 * pdf(x, -50, 1) + 100 * pdf(x, 0, 1) + 100 * pdf(x, 40, 1) + np.random.normal(0, 1, 20000)
fig2, ax2 = plt.subplots()
auto_x_min2, auto_x_max2 = auto_xlim(x, y2, threshold=10)
ax2.set_xlim(auto_x_min2, auto_x_max2)
ax2.plot(x, y2)
plt.show()

实现说明 #

• 核心逻辑是通过布尔掩码y >= threshold筛选出所有符合要求的有效信号点，直接取这些点对应x的极值作为范围基础
• 加入了padding_ratio参数控制边界留白，避免有效信号直接贴在图表边缘，你也可以根据需求改成固定数值的边距
• 如果没有检测到高于阈值的有效信号，会默认返回原始x的全范围，避免运行报错

内容的提问来源于stack exchange，提问作者Enzo