Python绘图：解决直方图极值差异导致小值无法显示的问题

嘿，这个场景我做实验可视化时也碰到过！当一组数据里有个“巨无霸”数值时，普通柱状图确实会把小数值的柱子压缩到几乎看不见，下面分享几个实用的解决思路，既有数值缩放技巧，也有替代的可视化方法：

一、数值缩放技巧（让原有柱状图能展示所有数据） #

1. 使用对数坐标轴 #

对数刻度可以压缩大范围数值的显示空间，同时放大小数值之间的差异，完美适配这种量级差距极大的场景，而且你的数据都是正数，完全适用！

修改你的代码只需加一行：

import numpy as np
import matplotlib.pyplot as plt

height = [0.422602, 0.000011, 0.000453]
bars = ('2X2', '4X4', '8X8')
y_pos = np.arange(len(bars))

plt.bar(y_pos, height, color=(0.572549, 0.2862, 0.0, 1))
plt.xlabel('Matrix Dimensions')
plt.ylabel('Fidelity for Matrices with Sparsity 1')
plt.xticks(y_pos, bars)
# 启用对数y轴
plt.yscale('log')
# 手动设置刻度，让小数值显示更清晰
plt.yticks([1e-5, 4e-5, 1e-4, 4e-4, 1e-3, 1e-2, 1e-1, 0.5])
plt.show()

这样既能清楚看到三个柱子的高度差异，也能直观感受到数值的量级差距。

2. 截断Y轴并添加注释 #

如果你不想用对数刻度（比如需要保留线性的直观感），可以把Y轴的显示范围截断到小数值区间，再给大数值的柱子加注释说明实际值：

import numpy as np
import matplotlib.pyplot as plt

height = [0.422602, 0.000011, 0.000453]
bars = ('2X2', '4X4', '8X8')
y_pos = np.arange(len(bars))

fig, ax = plt.subplots()
ax.bar(y_pos, height, color=(0.572549, 0.2862, 0.0, 1))

ax.set_xlabel('Matrix Dimensions')
ax.set_ylabel('Fidelity for Matrices with Sparsity 1')
ax.set_xticks(y_pos)
ax.set_xticklabels(bars)

# 把Y轴范围限制在小数值区间
ax.set_ylim(0, 0.0005)

# 给最大的柱子添加带箭头的注释，标注实际值
ax.annotate(f'Actual value: {height[0]}',
            xy=(y_pos[0], 0.0005),  # 箭头指向柱子顶端（截断后的位置）
            xytext=(y_pos[0], 0.0006),  # 注释文本的位置
            arrowprops=dict(facecolor='gray', shrink=0.05))
plt.show()

二、替代的可视化方法 #

如果柱状图实在不适合你的数据，这些方法也能帮你清晰展示所有数值：

• 散点图+数值标注：直接用散点标记每个数值，再在每个点旁标注具体数值，简单直接：

  plt.scatter(y_pos, height, color=(0.572549, 0.2862, 0.0, 1))
  plt.xlabel('Matrix Dimensions')
  plt.ylabel('Fidelity for Matrices with Sparsity 1')
  plt.xticks(y_pos, bars)
  # 给每个点添加数值标注
  for x, h in zip(y_pos, height):
      plt.text(x, h + 0.0001, f'{h:.6f}', ha='center')
  plt.show()
  

• 子图拆分：把大数值和小数值分别放在两个子图里，各自用合适的刻度：

  fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(6, 8))
  # 上子图显示大数值
  ax1.bar(y_pos[:1], height[:1], color=(0.572549, 0.2862, 0.0, 1))
  ax1.set_xticks(y_pos[:1])
  ax1.set_xticklabels(bars[:1])
  ax1.set_ylabel('Fidelity (Large Value)')
  # 下子图显示小数值
  ax2.bar(y_pos[1:], height[1:], color=(0.572549, 0.2862, 0.0, 1))
  ax2.set_xticks(y_pos[1:])
  ax2.set_xticklabels(bars[1:])
  ax2.set_xlabel('Matrix Dimensions')
  ax2.set_ylabel('Fidelity (Small Values)')
  plt.tight_layout()
  plt.show()
  

• 饼图（展示占比）：如果你的需求是看各数值的占比，饼图能直观展示大数值的主导地位，还可以把小数值的部分“炸开”突出显示：

  plt.pie(height, labels=bars, explode=[0, 0.1, 0.1], autopct='%1.6f%%', colors=[(0.572549,0.2862,0.0,1), '#888888', '#AAAAAA'])
  plt.title('Fidelity Distribution')
  plt.show()
  

你可以根据具体需求选择最合适的方法：如果要保留数值的量级对比，对数坐标轴或子图拆分是不错的选择；如果要展示占比，饼图更直观~

内容的提问来源于stack exchange，提问作者Protik Nag