【Python数据可视化】巧用坐标轴截断，破解柱状图数据悬殊难题

1. 为什么需要坐标轴截断技术？

做数据分析的朋友们应该都遇到过这样的尴尬场景：当你精心准备了一组数据想要用柱状图展示时，突然发现其中一两个数值比其他数据高出几十倍甚至上百倍。这时候直接画出来的图表要么小数值被压缩成一条线，要么大数值直接顶破天花板，根本看不出数据之间的对比关系。

我去年在做电商销售分析时就踩过这个坑。当时想对比不同商品的日销量，结果爆款商品一天卖出了5000多件，而普通商品平均只有几十件。用普通柱状图展示时，其他商品的柱子几乎看不见，整个图表完全失去了分析价值。这时候就需要坐标轴截断（Broken Axis）技术来救场了。

坐标轴截断的核心思路很简单：把y轴分成两个不同量级的区间，中间用断裂符号表示省略的部分。这样既能展示小数值的细节差异，又能完整呈现大数值的情况。就像我们用望远镜看风景时，既需要广角镜头看全景，又需要长焦镜头看细节。

2. 实现坐标轴截断的关键步骤

2.1 创建双坐标系

Matplotlib实现坐标轴截断的核心技巧是创建两个重叠的坐标系。下面这段代码展示了具体做法：

python复制import matplotlib.pyplot as plt
import numpy as np

# 创建画布
fig = plt.figure(figsize=(10,6))

# 添加两个坐标系，注意位置参数要重叠
ax1 = fig.add_axes([0.15,0.15,0.8,0.35])  # 下部分坐标系
ax2 = fig.add_axes([0.15,0.55,0.8,0.35])  # 上部分坐标系

这里的关键点在于：

• 两个坐标系的宽度（0.8）和水平位置（0.15）要保持一致
• 高度加起来不要超过1（0.35+0.35=0.7），留出边距
• 垂直位置要衔接好（0.15+0.35=0.5，与上坐标系的0.55略有重叠）

2.2 设置不同的y轴范围

接下来需要为两个坐标系设置不同的y轴范围，这是实现截断效果的关键：

python复制# 生成示例数据
np.random.seed(42)
y = np.random.randint(1,10,10)
y[3] = 150  # 故意设置一个异常大值
y[7] = 180  # 另一个异常大值

# 设置不同的y轴范围
ax1.set_ylim(0, 15)    # 下部分显示小数值
ax2.set_ylim(100, 200) # 上部分显示大数值

实测发现，上下部分的y轴范围最好保留20%左右的重叠区，这样断裂处的过渡会更自然。比如这里下部分到15，上部分从100开始，中间85的间隔用断裂符号表示。

3. 美化断裂处的视觉效果

3.1 添加断裂标记

为了让读者直观理解这里存在截断，我们需要添加视觉标记。最常用的方法是画两条斜线：

python复制def add_break_symbol(ax1, ax2):
    d = 0.8  # 斜线倾斜度
    kwargs = dict(
        marker=[(-1, -d), (1, d)],  # 定义斜线样式
        markersize=12,
        linestyle="none",
        color="k",
        mec="k",
        mew=1,
        clip_on=False
    )
    # 在上坐标系底部画斜线
    ax2.plot([0, 1], [0, 0], transform=ax2.transAxes, **kwargs)
    # 在下坐标系顶部画斜线
    ax1.plot([0, 1], [1, 1], transform=ax1.transAxes, **kwargs)

这个函数会在两个坐标系的连接处添加对称的斜线标记，看起来就像被撕开的纸张边缘，非常直观。

3.2 隐藏多余边框线

为了让两个坐标系视觉上更像一个整体，我们需要隐藏多余的边框：

python复制# 隐藏上坐标系的下边框
ax2.spines['bottom'].set_visible(False)
# 隐藏下坐标系的上边框 
ax1.spines['top'].set_visible(False)
# 隐藏上坐标系的x轴
ax2.set_xticks([])

这样处理后，两个坐标系就完美衔接成一个整体了。我在实际项目中发现，如果保留这些边框线，图表会显得很杂乱，读者容易误以为是两个独立的图表。

4. 实际应用中的注意事项

4.1 数据标注技巧

使用坐标轴截断时，数据标注要特别注意：

• 在断裂区间内的数据点要特别标注，比如添加文字说明"此处省略80-100区间"
• 可以考虑用不同的颜色区分正常值和异常值
• y轴刻度设置要合理，避免刻度值出现在断裂区间

python复制# 标注异常值示例
for i, val in enumerate(y):
    if val > 100:
        ax2.text(i+1, val, str(val), ha='center', va='bottom')
    else:
        ax1.text(i+1, val, str(val), ha='center', va='bottom')

4.2 适用场景分析

根据我的经验，坐标轴截断最适合以下场景：

• 数据中存在少量极端异常值
• 主要关注正常值范围内的比较
• 需要同时展示异常值的具体大小

但不适合：

• 数据本身就是多模态分布（多个峰值）
• 异常值数量较多（超过总数的20%）
• 需要精确比较所有数据点的场景

最近帮客户分析广告点击率数据时，发现有些异常高的点击率其实是爬虫行为。用坐标轴截断可以清晰区分正常用户和爬虫的点击模式，效果非常好。

5. 完整代码示例

下面是一个可直接运行的完整示例，包含了所有最佳实践：

python复制import matplotlib.pyplot as plt
import numpy as np

# 创建画布
plt.style.use('seaborn')
fig = plt.figure(figsize=(10, 8))

# 设置两个重叠的坐标系
ax1 = fig.add_axes([0.15, 0.15, 0.7, 0.4])  # 下部分
ax2 = fig.add_axes([0.15, 0.55, 0.7, 0.4])  # 上部分

# 生成数据
np.random.seed(2023)
categories = [f"产品{i}" for i in range(1,11)]
values = np.random.randint(5, 20, 10)
values[2] = 150  # 异常值
values[6] = 180  # 异常值

# 绘制柱状图
ax1.bar(categories, values, color='skyblue', alpha=0.7)
ax2.bar(categories, values, color='skyblue', alpha=0.7)

# 设置y轴范围
ax1.set_ylim(0, 25)
ax2.set_ylim(100, 200)

# 添加断裂标记
def add_break_markers(ax1, ax2):
    d = 0.7
    kwargs = dict(
        marker=[(-1, -d), (1, d)],
        markersize=15,
        linestyle="none",
        color="gray",
        mec="gray",
        mew=1.5,
        clip_on=False
    )
    ax2.plot([0, 1], [0, 0], transform=ax2.transAxes, **kwargs)
    ax1.plot([0, 1], [1, 1], transform=ax1.transAxes, **kwargs)

add_break_markers(ax1, ax2)

# 美化图表
ax2.spines['bottom'].set_visible(False)
ax1.spines['top'].set_visible(False)
ax2.set_xticks([])
ax1.set_xlabel("产品类别", fontsize=12)
ax1.set_ylabel("正常销量", fontsize=12)
ax2.set_ylabel("异常销量", fontsize=12)

# 添加数据标签
for i, (cat, val) in enumerate(zip(categories, values)):
    if val > 100:
        ax2.text(i, val+5, str(val), ha='center', fontsize=10)
    else:
        ax1.text(i, val+0.5, str(val), ha='center', fontsize=10)

# 添加标题和说明
plt.suptitle("产品销量分析（含异常值）", y=0.95, fontsize=14)
ax1.text(5, -8, "注：灰色斜线表示省略了25-100的区间", 
        ha='center', fontsize=10, color='gray')

plt.tight_layout()
plt.show()

这段代码生成的图表既美观又专业，直接复制到你的项目中就能用。我特别添加了注释说明和异常值标注，这在业务汇报中特别有用。