如何在Matplotlib中绘制带对数坐标轴的密度图（解决imshow/NonUniformImage失效、pcolormesh文件过大问题）

我完全懂你的痛点：想用imshow这类轻量绘图方式得到无伪影的密度图，同时适配对数坐标轴，但默认用法会导致图像变形；pcolormesh虽然能给出正确结果，但生成的文件体积大到离谱，还容易出现恼人的细白线。下面给你几个实用的解决方案：

方案1：修正imshow的坐标映射 #

问题根源在于imshow默认认为数据是线性均匀分布的，当你把x轴切换为对数刻度后，它不会自动调整像素宽度来适配对数坐标的间距。我们可以先把x的对数坐标转换为线性空间，用imshow绘制后再把刻度恢复为对数样式，这样既保留了imshow的轻量化优势，又能得到正确的对数轴显示：

import numpy as np
import matplotlib.pyplot as plt

# 生成原始数据
x = np.geomspace(1, 100, 5)
y = np.linspace(0, 1, 3)
z = np.random.uniform(size=(len(x), len(y)))

# 将x转换为对数线性空间
log_x = np.log10(x)
# 计算基于log_x的extent（包含像素半间距）
dx_log = (log_x[1] - log_x[0]) / 2
extent_log = (
    log_x[0] - dx_log, 
    log_x[-1] + dx_log, 
    y[0] - (y[1]-y[0])/2, 
    y[-1] + (y[1]-y[0])/2
)

fig, ax = plt.subplots(figsize=(8, 3))
# 在对数转换后的线性空间绘制imshow
im = ax.imshow(z.T, origin="lower", aspect="auto", extent=extent_log)
# 设置x轴为对数刻度，确保可交互修改
ax.set_xscale("log")
# 可选：手动设置刻度贴合原始数据点
ax.set_xticks(x)
ax.set_xticklabels([f"{val:.0f}" for val in x])

ax.set_title("修正后的imshow（支持对数轴交互）")
plt.colorbar(im)
plt.show()

这种方法绘制的图，每个像素在对数轴上的宽度是均匀的，文件体积和imshow一致，也不会出现白线，而且完全支持后续的坐标轴交互操作（比如修改刻度、调整范围）。

方案2：正确使用NonUniformImage #

你之前的NonUniformImage用法有误，核心问题是维度匹配和参数设置不到位。修正后的代码如下，它能完美适配非均匀（对数）网格：

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.image import NonUniformImage

x = np.geomspace(1, 100, 5)
y = np.linspace(0, 1, 3)
z = np.random.uniform(size=(len(x), len(y)))

fig, ax = plt.subplots(figsize=(8, 3))
# 计算包含半间距的完整范围
dx = np.sqrt(x[1] / x[0])
dy = (y[1] - y[0]) / 2
extent = (x[0]/dx, x[-1]*dx, y[0]-dy, y[-1]+dy)

# 初始化NonUniformImage，指定插值方式和原点
im = NonUniformImage(
    ax, 
    extent=extent, 
    interpolation="nearest", 
    origin="lower",
    aspect="auto"
)
# 注意set_data的参数顺序是x, y, z，且z需为(y维度, x维度)的转置
im.set_data(x, y, z.T)
ax.add_image(im)

# 配置坐标轴
ax.set_xscale("log")
ax.set_xlim(extent[:2])
ax.set_ylim(extent[2:])
ax.set_title("修正后的NonUniformImage")

plt.colorbar(im)
plt.show()

这里的关键是确保z的维度与x、y匹配，同时正确设置extent和坐标轴范围，让NonUniformImage能正确映射对数坐标。

方案3：优化pcolormesh解决白线和体积问题 #

如果坚持要用pcolormesh，可以通过两个小技巧解决它的痛点：

• 消除白线：添加edgecolor='face'参数，让单元格边缘颜色与填充色一致，彻底消除白线伪影；
• 减小文件体积：保存时选择合适的格式，比如位图PNG（控制dpi），或者对矢量PDF启用压缩。

示例代码：

import numpy as np
import matplotlib.pyplot as plt

x = np.geomspace(1, 100, 5)
y = np.linspace(0, 1, 3)
z = np.random.uniform(size=(len(x), len(y)))

# 生成网格边缘坐标（而非中心坐标）
x_edges = np.geomspace(x[0]/dx, x[-1]*dx, len(x)+1)
y_edges = np.linspace(y[0]-dy, y[-1]+dy, len(y)+1)

fig, ax = plt.subplots(figsize=(8, 3))
# 添加edgecolor='face'消除白线
pcm = ax.pcolormesh(x_edges, y_edges, z.T, edgecolor='face')
ax.set_xscale("log")
ax.set_title("优化后的pcolormesh（无白线）")

plt.colorbar(pcm)
# 保存时优化体积：比如用PNG格式
plt.savefig("density_plot.png", dpi=150, bbox_inches='tight')
plt.show()

总结 #

• 追求轻量化和无伪影：优先选修正后的imshow方法，操作简单且支持完整交互；
• 需要灵活处理非均匀网格：选择修正后的NonUniformImage；
• 坚持用pcolormesh：通过edgecolor='face'解决白线，调整保存参数减小文件体积。

备注：内容来源于stack exchange，提问作者David Zwicker