嘿，我来帮你搞定这个对数分箱直方图的趋势曲线问题！你的现有代码已经搭好了对数分箱的直方图框架，现在只需要添加趋势曲线的计算和绘制逻辑就行。因为是对数坐标轴，直接在原始空间拟合容易出数值问题，所以我们可以在对数空间处理后再转换回来，或者用核密度估计（KDE）生成平滑趋势线。

下面是修改后的完整代码，我会逐部分解释：

import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import gaussian_kde  # 用于生成平滑的核密度估计曲线

# 假设Mass是你的预定义变量，这里先模拟一组符合范围的测试数据
np.random.seed(42)
Mass = np.logspace(43, 45, 1000) * np.random.lognormal(0, 0.3, 1000)

# 生成对数分箱：直接用Mass的最小/最大值生成，比基于线性分箱转换更准确
num_bins = 10
logbins = np.logspace(np.log10(Mass.min()), np.log10(Mass.max()), num_bins + 1)

# 绘制对数分箱直方图
n, bins, patches = plt.hist(x=Mass, bins=logbins, color='#0504aa', alpha=0.8, rwidth=0.85)

# --- 方法1：多项式拟合趋势线 ---
# 计算对数分箱的中点（用几何平均，适配对数刻度的特性）
bin_midpoints = np.sqrt(bins[:-1] * bins[1:])
# 在对数空间拟合多项式（避免大数值带来的拟合误差）
z = np.polyfit(np.log10(bin_midpoints), np.log10(n), 2)  # 2次多项式，可根据需求调整次数
p = np.poly1d(z)
# 生成拟合曲线的x轴点（更密集，让曲线更平滑）
fit_x = np.logspace(np.log10(Mass.min()), np.log10(Mass.max()), 100)
# 转换回原始空间的y值
fit_y = 10 ** p(np.log10(fit_x))
# 绘制拟合曲线
plt.plot(fit_x, fit_y, color='red', linewidth=2, label='Polynomial Fit Trend')

# --- 方法2：核密度估计（KDE）平滑曲线（可选，注释掉方法1即可用这个）---
# kde = gaussian_kde(np.log10(Mass))  # 在对数空间计算KDE，避免数值偏差
# kde_x = np.logspace(np.log10(Mass.min()), np.log10(Mass.max()), 100)
# # 缩放KDE值以匹配直方图的计数（KDE是概率密度，需乘以样本数和分箱宽度）
# kde_y = kde(np.log10(kde_x)) * len(Mass) * np.diff(np.log10(logbins))[0]
# plt.plot(kde_x, kde_y, color='green', linewidth=2, label='KDE Smooth Trend')

# 完善图表设置
plt.xscale('log')
plt.xlabel('Mass $(g)$ ')
plt.ylabel('Number of halos')
plt.legend()
plt.show()

关键细节说明： #

• 对数分箱优化：直接用Mass的最小/最大值生成对数分箱，比你原来先做线性分箱再转换的方式更贴合数据范围。
• 分箱中点计算：用几何平均np.sqrt(bins[:-1] * bins[1:])作为对数分箱的中点，比线性中点更适配对数刻度的分布逻辑。
• 拟合策略：在对数空间进行多项式拟合，避免原始数据的大数值导致拟合失效，之后再转换回原始空间绘制曲线。
• KDE选项：如果想要更平滑的趋势线，可以用KDE方法，需要注意缩放KDE值来匹配直方图的计数单位（因为KDE默认是概率密度，不是计数）。

你可以根据自己的数据分布特点选择多项式拟合或者KDE方法，调整多项式次数或者KDE的带宽（gaussian_kde可以传入bw_method参数调整平滑程度）。

内容的提问来源于stack exchange，提问作者Salome