引言：當數據跨度讓圖表失真時，軸斷裂技術如何力挽狂瀾？
在數據可視化的世界里，我們常常會遇到這樣的困境：一組數據中既有 "巨無霸" 般的極端值，又有需要精細展示的小數據。比如在財務報表中，某個項目的金額達到千萬級別，而其他項目只有個位數；在生物實驗中，某個樣本的指標值突破上限，而其他樣本集中在較低區間。這時候如果直接繪制普通柱狀圖，小數據會被壓縮到幾乎看不見，可視化效果大打折扣😓。
今天要分享的帶軸斷裂的柱狀圖，就像一位神奇的 "數據魔術師"，通過在縱軸上制造 "斷裂"，讓大小數據各得其所 —— 既能展示極端值的真實規模，又能清晰呈現小數據的細節差異。讓我們通過一段完整的 Python 代碼，揭開這項技術的神秘面紗，從此告別數據可視化中的 "尺度焦慮"！🌟
代碼全景：先睹為快的軸斷裂柱狀圖實現
import matplotlib.pyplot as plt# 數據準備
data = [10000, 3, 7, 9, 10, 6]
labels = ['A', 'B', 'C', 'D', 'E', 'F']# 斷裂參數設置
break_point = 20
upper_ylim = max(data) * 1.1# 創建圖形和兩個子軸
fig, (ax_upper, ax_lower) = plt.subplots(2, 1, sharex=True,gridspec_kw={'height_ratios': [1, 3]},figsize=(8, 6))# 在兩個軸上繪制數據
ax_upper.bar(labels, data)
ax_lower.bar(labels, data)# 設置軸范圍
ax_lower.set_ylim(0, break_point)
ax_upper.set_ylim(break_point, upper_ylim)# 隱藏軸之間的邊框
ax_upper.spines['bottom'].set_visible(False)
ax_lower.spines['top'].set_visible(False)
ax_upper.tick_params(labeltop=False) # 不顯示頂部標簽
ax_lower.xaxis.tick_bottom() # 只在底部顯示x軸刻度# 添加對角線表示軸斷裂
d = .015 # 對角線的垂直與水平長度比例
kwargs = dict(transform=ax_upper.transAxes, color='k', clip_on=False)
ax_upper.plot((-d, +d), (-d, +d), **kwargs)
ax_upper.plot((1 - d, 1 + d), (-d, +d), **kwargs)kwargs.update(transform=ax_lower.transAxes) # 切換到下軸
ax_lower.plot((-d, +d), (1 - d, 1 + d), **kwargs)
ax_lower.plot((1 - d, 1 + d), (1 - d, 1 + d), **kwargs)# 標簽和樣式設置
fig.suptitle('Bar Chart with Axis Break', fontsize=16, fontweight='bold')
ax_lower.set_xlabel('Category', fontsize=14, fontweight='bold')
ax_lower.set_ylabel('Value', fontsize=14, fontweight='bold')
for ax in (ax_upper, ax_lower):ax.grid(True, axis='y', linestyle='--', linewidth=0.5)ax.tick_params(axis='both', which='major', labelsize=12)plt.tight_layout(rect=[0, 0, 1, 0.96])# 保存為出版物質量
plt.savefig('axis_break_barplot.png', dpi=300)plt.show()
?
運行這段代碼，你將得到一個上下兩部分的柱狀圖：上半部分展示極端值（如 10000）的真實規模，下半部分放大顯示小數據（3-10）的細節，中間用對角線標記軸斷裂的位置。這種可視化方式讓原本難以呈現的數據關系變得一目了然，接下來我們逐行解析其中的實現邏輯。
核心代碼解析：軸斷裂柱狀圖的 "分而治之" 策略
1. 數據準備：定義你的 "數據軍團"
data = [10000, 3, 7, 9, 10, 6]
labels = ['A', 'B', 'C', 'D', 'E', 'F']- data 列表：存儲各分類的數據值，這里第一個值 10000 是明顯的極端值，后面的 3-10 是需要精細展示的小數據。你的數據可以是任何數值列表，比如 [500, 20, 25, 18, 22, 19]（假設 500 是異常大值）。
- labels 列表：對應數據的分類標簽，長度必須與 data 一致。你可以替換為實際場景的標簽，如 [' 一月 ', ' 二月 ', ' 三月 ', ' 四月 ', ' 五月 ', ' 六月 ']。
2. 斷裂參數設置：定制你的 "數據放大鏡"
break_point = 20
upper_ylim = max(data) * 1.1- break_point：軸斷裂的位置，即上下軸的分界點。這個值需要根據數據特點設置：既要讓小數據在下軸有足夠的展示空間，又要讓上軸能容納極端值。本例中設為 20，因為小數據最大值是 10，20 能提供一倍的放大空間。
- upper_ylim：上軸的上限，這里設置為數據最大值的 1.1 倍，留出一些空白區域讓圖形更美觀。如果你的極端值是 500，upper_ylim 會自動計算為 500*1.1=550。
3. 圖形與子軸創建：搭建 "數據展示舞臺"
fig, (ax_upper, ax_lower) = plt.subplots(2, 1, sharex=True,gridspec_kw={'height_ratios': [1, 3]},figsize=(8, 6))- figsize=(8,6)：設置整個圖形的寬度和高度（英寸），你可以根據需要調整，比如 (10,7) 讓圖形更大。
- 2,1：創建 2 行 1 列的子圖布局，上下排列。
- sharex=True：上下軸共享 x 軸，確保分類標簽對齊。
- height_ratios=[1,3]：關鍵參數！設置上下軸的高度比例，上軸占 1 份，下軸占 3 份。這意味著下軸會有更多空間展示小數據細節，你可以根據數據特點調整比例，比如 [1,4] 獲得更大的下軸。
4. 數據繪制：讓 "數據柱" 各就各位
ax_upper.bar(labels, data)
ax_lower.bar(labels, data)- 分別在上軸和下軸繪制相同的柱狀圖，但由于后續的軸范圍設置，上軸會顯示極端值的全貌，下軸會放大顯示小數據。這里的柱狀圖樣式可以進一步定制，比如添加顏色、邊框等：
ax_upper.bar(labels, data, color='skyblue', edgecolor='navy')
ax_lower.bar(labels, data, color='lightgreen', edgecolor='darkgreen')5. 軸范圍設置：劃定 "數據展示區間"?
ax_lower.set_ylim(0, break_point)
ax_upper.set_ylim(break_point, upper_ylim)- 下軸設置為 0 到 break_point（20），這樣小數據（3-10）會占據下軸的大部分空間，細節清晰可見。
- 上軸設置為 break_point 到 upper_ylim（10000*1.1=11000），極端值 10000 會在上軸完整展示。
6. 邊框處理：打造 "無縫視覺體驗"
ax_upper.spines['bottom'].set_visible(False)
ax_lower.spines['top'].set_visible(False)
ax_upper.tick_params(labeltop=False)
ax_lower.xaxis.tick_bottom()- 隱藏上軸的底部邊框和下軸的頂部邊框，讓兩個軸看起來像一個整體。
- 取消上軸的頂部標簽，確保 x 軸標簽只在底部顯示一次，避免重復。
7. 斷裂線繪制：添加 "數據尺度轉換標記"
d = .015
kwargs = dict(transform=ax_upper.transAxes, color='k', clip_on=False)
ax_upper.plot((-d, +d), (-d, +d), **kwargs)
ax_upper.plot((1 - d, 1 + d), (-d, +d), **kwargs)kwargs.update(transform=ax_lower.transAxes)
ax_lower.plot((-d, +d), (1 - d, 1 + d), **kwargs)
ax_lower.plot((1 - d, 1 + d), (1 - d, 1 + d), **kwargs)- 這部分代碼在上下軸的連接處繪制對角線，作為軸斷裂的視覺標記。參數 d 控制對角線的傾斜程度，0.015 是一個經驗值，你可以調整 d 的大小（如 0.02）改變斜線的長度和角度。
transform=ax_upper.transAxes表示使用軸的相對坐標（0-1），確保斜線位置始終在軸的角落，不受數據范圍影響。
8. 標簽與樣式：提升 "圖表顏值"
fig.suptitle('Bar Chart with Axis Break', fontsize=16, fontweight='bold')
ax_lower.set_xlabel('Category', fontsize=14, fontweight='bold')
ax_lower.set_ylabel('Value', fontsize=14, fontweight='bold')
for ax in (ax_upper, ax_lower):ax.grid(True, axis='y', linestyle='--', linewidth=0.5)ax.tick_params(axis='both', which='major', labelsize=12)- 標題設置：
fig.suptitle添加整個圖形的主標題，ax_lower.set_xlabel/ylabel添加坐標軸標簽。你可以替換為實際場景的標題，如 "2024 年各季度銷售額對比（含異常值）"。 - 網格線：添加 y 軸網格線（虛線，寬度 0.5），幫助讀者讀取數據值。
- 刻度樣式：設置刻度標簽的大小和樣式，確保清晰可讀。
用戶數據替換指南：讓代碼適配你的真實場景
1. 替換核心數據：從示例數據到業務數據
場景一：直接替換為你的數據列表
# 原始數據
data = [10000, 3, 7, 9, 10, 6]
labels = ['A', 'B', 'C', 'D', 'E', 'F']# 替換為你的數據（例如：各產品的銷量，其中產品A銷量異常高）
data = [8500, 120, 150, 135, 140, 125] # 假設8500是異常大值
labels = ['產品A', '產品B', '產品C', '產品D', '產品E', '產品F']場景二：從文件讀取數據
如果數據存儲在 CSV 文件中，可以這樣讀取：
import pandas as pd# 讀取CSV文件
df = pd.read_csv('your_data.csv')
data = df['數值列'].tolist()
labels = df['分類列'].tolist()2. 調整斷裂參數：找到最適合你數據的 "斷裂點"?
# 原始斷裂參數
break_point = 20
upper_ylim = max(data) * 1.1# 根據你的數據調整break_point
# 示例：如果小數據集中在50-100，極端值是2000
break_point = 150 # 給小數據留出50%的擴展空間
upper_ylim = max(data) * 1.05 # 極端值區域留5%的空白調整技巧：
- 觀察小數據的最大值，break_point 建議設為該值的 1.5-2 倍，確保下軸有足夠的展示空間
- 上軸的 upper_ylim 可以設為極端值的 1.05-1.2 倍，避免圖形頂部過于緊湊
3. 定制圖形尺寸與比例：適應不同展示場景
# 原始圖形設置
fig, (ax_upper, ax_lower) = plt.subplots(2, 1, sharex=True,gridspec_kw={'height_ratios': [1, 3]},figsize=(8, 6))# 示例1：用于PPT展示，增大圖形尺寸
figsize=(10, 7)
height_ratios=[1, 3.5] # 下軸比例更大，適合精細展示# 示例2：用于論文排版，調整為更窄的比例
figsize=(6, 5)
height_ratios=[1, 2.5] # 節省橫向空間4. 自定義顏色與樣式：讓圖表更符合品牌調性?
# 原始繪圖代碼
ax_upper.bar(labels, data)
ax_lower.bar(labels, data)# 自定義顏色（示例：使用藍色系漸變）
colors = ['#436EEE', '#648FFF', '#85B0FF', '#A6D2FF', '#C7E5FF', '#E8F7FF']
ax_upper.bar(labels, data, color=colors, edgecolor='none')
ax_lower.bar(labels, data, color=colors, edgecolor='none')# 添加柱狀圖邊框
ax_upper.bar(labels, data, color=colors, edgecolor='black', linewidth=0.5)應用場景：軸斷裂柱狀圖的 "十八般武藝"
1. 財務數據分析：一眼看穿異常收支
在公司財務報表中，某個項目的支出可能達到千萬級別，而其他項目在十萬級別。使用軸斷裂柱狀圖可以：
- 上軸展示千萬級支出的真實規模
- 下軸放大展示十萬級支出的細微差異
- 快速發現預算超支或節省的項目
2. 生物實驗數據：不遺漏任何細節
在生物學實驗中，某個樣本的指標值可能突增（如病毒濃度），而其他樣本在正常范圍：
- 上軸顯示突變樣本的極端值
- 下軸清晰比較正常樣本的細微差異
- 幫助研究人員發現異常樣本的同時，不忽視正常組的規律
3. 市場調研數據：大小數據同臺競技
在用戶調研中，某個地區的響應人數可能遠高于其他地區：
- 上軸展示熱門地區的高響應量
- 下軸比較其他地區的響應差異
- 避免小數據地區在普通圖表中 "隱身"
4. 教育數據分析：極端分數與整體水平兼顧
在考試成績分析中，可能有個別學生獲得滿分，而大部分在 60-80 分之間：
- 上軸展示滿分學生的突出表現
- 下軸詳細比較其他學生的分數分布
- 幫助教師全面評估班級水平，不忽視尖子生也不忽略整體
實戰案例：某電商平臺分析各品類銷售額，其中數碼品類銷售額達 8500 萬元，而服裝、食品等品類在 120-150 萬元之間。使用軸斷裂柱狀圖后，運營人員可以同時看到：
- 數碼品類的絕對優勢地位
- 服裝、食品等品類的相對銷售差異
- 快速定位需要重點關注的品類（如銷售額最低的品類）
細節優化：讓圖表從 "能用" 到 "驚艷"
1. 增強斷裂線的視覺提示
# 原始斷裂線設置
d = .015# 優化方案：使用更醒目的斷裂標記
d = 0.03 # 增大d值，讓斜線更長更明顯
kwargs = dict(transform=ax_upper.transAxes, color='red', linewidth=2, clip_on=False)
# 在上軸添加雙向箭頭斷裂標記（更專業的視覺提示）
from matplotlib.patches import FancyArrowPatch
arrow = FancyArrowPatch((-d, 0), (d, 0), arrowstyle='<->', transform=ax_upper.transAxes, color='red', clip_on=False)
ax_upper.add_patch(arrow)2. 添加數據標簽：讓數值一目了然?
# 為柱狀圖添加數值標簽
def add_labels(ax):for p in ax.patches:height = p.get_height()if height > 0: # 只顯示正值標簽ax.text(p.get_x() + p.get_width()/2., height + 0.1,f'{height:.0f}', ha='center', va='bottom')add_labels(ax_upper)
add_labels(ax_lower)3. 優化網格線與邊框?
# 原始網格線設置
for ax in (ax_upper, ax_lower):ax.grid(True, axis='y', linestyle='--', linewidth=0.5)# 進階優化：
for ax in (ax_upper, ax_lower):# 只顯示主要網格線ax.grid(True, axis='y', which='major', linestyle='--', linewidth=0.7)# 隱藏不必要的邊框ax.spines['left'].set_visible(False)ax.spines['right'].set_visible(False)# 添加輕微的背景色區分上下軸ax.set_facecolor('#f9f9f9')4. 保存為高質量圖片：滿足出版需求?
# 原始保存設置
plt.savefig('axis_break_barplot.png', dpi=300)# 優化保存參數（用于論文或出版物）
plt.savefig('axis_break_barplot.tiff', dpi=600, # 更高分辨率bbox_inches='tight', # 裁剪空白邊緣pad_inches=0.1, # 保留少量邊距facecolor='white') # 白色背景常見問題與解決方案
1. 上下軸的柱狀圖對不齊怎么辦？
原因：可能是標簽長度不一致導致 x 軸刻度偏移，或者繪圖時添加了額外元素。
解決方案：
# 添加固定x軸范圍（假設標簽是6個）
ax_upper.set_xlim(-0.5, 5.5)
ax_lower.set_xlim(-0.5, 5.5)2. 斷裂線看起來不自然怎么辦？
原因：斷裂線的比例或樣式不合適。
解決方案：
# 嘗試不同的斷裂標記樣式（如波浪線）
from matplotlib.path import Path
from matplotlib.patches import PathPatch# 定義波浪線路徑
verts = [(0, 0), (0.1, 0), (0.15, 0.05), (0.2, 0), (0.3, 0), (0.35, 0.05),(0.4, 0), (0.5, 0), (0.55, -0.05), (0.6, 0), (0.7, 0), (0.75, -0.05),(0.8, 0), (0.9, 0), (1, 0)
]
codes = [Path.MOVETO] + [Path.LINETO] * (len(verts) - 1)
path = Path(verts, codes)# 在上軸添加波浪線斷裂標記
patch = PathPatch(path, transform=ax_upper.transAxes, color='k', clip_on=False)
ax_upper.add_patch(patch)3. 極端值在上軸顯示不全怎么辦？
原因：upper_ylim 設置過小。
解決方案：
# 手動設置upper_ylim（確保極端值有足夠空間）
upper_ylim = max(data) * 1.2 # 增加留白比例到20%
# 或者直接指定固定值
upper_ylim = 12000 # 假設極端值是10000，設為12000總結：掌握軸斷裂技術，解鎖數據可視化新境界
通過今天的分享，我們深入解析了帶軸斷裂的柱狀圖繪制方法，從數據準備到圖形優化，每一個步驟都旨在解決數據跨度大帶來的可視化難題。這項技術就像為圖表安裝了 "變焦鏡頭"，讓我們既能俯瞰數據全貌，又能聚焦細節差異。
現在輪到你動手實踐了！💪 打開 Python 環境，替換成你的數據，調整斷裂點和圖形參數，看看那些曾經讓你頭疼的極端值數據如何變得清晰易懂。記得在遇到問題時回顧本文的 "用戶數據替換指南" 和 "常見問題"，相信你一定能繪制出專業級別的軸斷裂柱狀圖。
數據可視化的魅力在于將復雜信息轉化為直觀認知，而軸斷裂技術正是這個過程中的有力武器。下次當你遇到 "貧富懸殊" 的數據時，不要再猶豫 —— 用軸斷裂柱狀圖，讓每一個數據點都綻放光彩！🌟
如果覺得本文對你有幫助，歡迎分享給身邊的數據分析師和科研工作者。關注我，后續將帶來更多數據可視化技巧，讓我們一起在數據的海洋中探索美的可能！🚀
)
和pow()的區別)
善于利用指針)
