使用imshow和twiny时无法设置xlim的问题及双x轴对齐需求

我懂你碰到的麻烦了——当把imshow和twiny()结合用的时候，直接用axis()或者set_xlim()经常会因为imshow的坐标映射逻辑“打架”，尤其是你还要求上下两个x轴的刻度精准对齐，硬设范围肯定行不通。得换个思路，通过绑定两个轴的刻度映射关系来实现，而不是各自独立设置范围。

下面给你一套能完美解决问题的代码方案，我会一步步解释关键逻辑：

from matplotlib import pyplot as plt
import numpy as np
from matplotlib.ticker import FuncFormatter, FuncLocator

# 先生成示例图像数据（对应你需要的y轴10-20，x轴0-5的范围）
# 这里用11行（对应y从10到20共11个刻度）、6列（对应x从0到5共6个刻度）的随机数据
img_data = np.random.rand(11, 6)

# 创建主画布和底部x轴（ax1）
fig, ax1 = plt.subplots()

# 关键第一步：用imshow的extent参数把图像数据的坐标直接映射到你需要的范围
# extent=[x_min, x_max, y_min, y_max]，origin='lower'确保y轴从下到上是10→20
im = ax1.imshow(
    img_data,
    extent=[0, 5, 10, 20],
    origin='lower',
    aspect='auto'  # 自动适配轴比例，避免图像被拉伸变形
)
ax1.grid(True)
ax1.set_xlabel('底部X轴 (0-5)')
ax1.set_ylabel('Y轴 (10-20)')

# 创建顶部x轴（ax2）
ax2 = ax1.twiny()

# 定义两个轴的刻度映射关系：底部x → 顶部x是线性映射
# 底部0对应顶部36，底部5对应顶部41，所以公式是：top_x = 36 + (bottom_x / 5) * 5 = bottom_x + 36
def bottom_to_top(bottom_x):
    return 36 + (bottom_x / 5) * (41 - 36)

# 反过来的映射，用于刻度定位
def top_to_bottom(top_x):
    return (top_x - 36) / (41 - 36) * 5

# 用FuncLocator和FuncFormatter让两个轴的刻度始终保持对齐
# 不管怎么缩放画布，刻度对应关系都不会乱
ax2.xaxis.set_major_locator(FuncLocator(lambda val, _: bottom_to_top(val)))
ax2.xaxis.set_major_formatter(FuncFormatter(lambda val, _: f'{bottom_to_top(val):.0f}'))

# 同步两个轴的范围，确保顶部轴完全对应底部轴的显示范围
ax2.set_xlim(bottom_to_top(ax1.get_xlim()[0]), bottom_to_top(ax1.get_xlim()[1]))
ax2.set_xlabel('顶部X轴 (36-41)')

# 叠加示例线条（比如在底部x=2处画一条红色虚线，对应顶部x=38）
ax1.axvline(x=2, color='red', linestyle='--', linewidth=2)
# 也可以直接在顶部轴上画，效果完全对齐
ax2.axvline(x=38, color='blue', linestyle=':', linewidth=2)

plt.tight_layout()
plt.show()

为什么之前的方法会失效？ #

imshow默认是基于像素坐标渲染的，它会自动调整坐标轴的范围和比例，而twiny()创建的次轴默认绑定的是主轴的像素空间，不是数据空间。直接用ax2.axis([36,41,10,20])会强制修改次轴的像素范围，和主轴的data范围脱节，自然就对齐不了了。

而我们上面用的线性映射方法，是把两个轴的数据刻度直接绑定，不管图像怎么缩放，底部的0永远对应顶部的36，底部的5永远对应顶部的41，完美解决对齐问题。

内容的提问来源于stack exchange，提问作者Jan Kukacka