引言：当数据跨度让图表失真时，轴断裂技术如何力挽狂澜？

在数据可视化的世界里，我们常常会遇到这样的困境：一组数据中既有 "巨无霸" 般的极端值，又有需要精细展示的小数据。比如在财务报表中，某个项目的金额达到千万级别，而其他项目只有个位数；在生物实验中，某个样本的指标值突破上限，而其他样本集中在较低区间。这时候如果直接绘制普通柱状图，小数据会被压缩到几乎看不见，可视化效果大打折扣😓。

今天要分享的带轴断裂的柱状图，就像一位神奇的 "数据魔术师"，通过在纵轴上制造 "断裂"，让大小数据各得其所 —— 既能展示极端值的真实规模，又能清晰呈现小数据的细节差异。让我们通过一段完整的 Python 代码，揭开这项技术的神秘面纱，从此告别数据可视化中的 "尺度焦虑"！🌟

代码全景：先睹为快的轴断裂柱状图实现

import matplotlib.pyplot as plt# 数据准备
data = [10000, 3, 7, 9, 10, 6]
labels = ['A', 'B', 'C', 'D', 'E', 'F']# 断裂参数设置
break_point = 20
upper_ylim = max(data) * 1.1# 创建图形和两个子轴
fig, (ax_upper, ax_lower) = plt.subplots(2, 1, sharex=True,gridspec_kw={'height_ratios': [1, 3]},figsize=(8, 6))# 在两个轴上绘制数据
ax_upper.bar(labels, data)
ax_lower.bar(labels, data)# 设置轴范围
ax_lower.set_ylim(0, break_point)
ax_upper.set_ylim(break_point, upper_ylim)# 隐藏轴之间的边框
ax_upper.spines['bottom'].set_visible(False)
ax_lower.spines['top'].set_visible(False)
ax_upper.tick_params(labeltop=False)  # 不显示顶部标签
ax_lower.xaxis.tick_bottom()  # 只在底部显示x轴刻度# 添加对角线表示轴断裂
d = .015  # 对角线的垂直与水平长度比例
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)  # 切换到下轴
ax_lower.plot((-d, +d), (1 - d, 1 + d), **kwargs)
ax_lower.plot((1 - d, 1 + d), (1 - d, 1 + d), **kwargs)# 标签和样式设置
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])# 保存为出版物质量
plt.savefig('axis_break_barplot.png', dpi=300)plt.show()

 

运行这段代码，你将得到一个上下两部分的柱状图：上半部分展示极端值（如 10000）的真实规模，下半部分放大显示小数据（3-10）的细节，中间用对角线标记轴断裂的位置。这种可视化方式让原本难以呈现的数据关系变得一目了然，接下来我们逐行解析其中的实现逻辑。

核心代码解析：轴断裂柱状图的 "分而治之" 策略

1. 数据准备：定义你的 "数据军团"

data = [10000, 3, 7, 9, 10, 6]
labels = ['A', 'B', 'C', 'D', 'E', 'F']

• data 列表：存储各分类的数据值，这里第一个值 10000 是明显的极端值，后面的 3-10 是需要精细展示的小数据。你的数据可以是任何数值列表，比如 [500, 20, 25, 18, 22, 19]（假设 500 是异常大值）。
• labels 列表：对应数据的分类标签，长度必须与 data 一致。你可以替换为实际场景的标签，如 [' 一月 ', ' 二月 ', ' 三月 ', ' 四月 ', ' 五月 ', ' 六月 ']。

2. 断裂参数设置：定制你的 "数据放大镜"

break_point = 20
upper_ylim = max(data) * 1.1

• break_point：轴断裂的位置，即上下轴的分界点。这个值需要根据数据特点设置：既要让小数据在下轴有足够的展示空间，又要让上轴能容纳极端值。本例中设为 20，因为小数据最大值是 10，20 能提供一倍的放大空间。
• upper_ylim：上轴的上限，这里设置为数据最大值的 1.1 倍，留出一些空白区域让图形更美观。如果你的极端值是 500，upper_ylim 会自动计算为 500*1.1=550。

3. 图形与子轴创建：搭建 "数据展示舞台"

fig, (ax_upper, ax_lower) = plt.subplots(2, 1, sharex=True,gridspec_kw={'height_ratios': [1, 3]},figsize=(8, 6))

• figsize=(8,6)：设置整个图形的宽度和高度（英寸），你可以根据需要调整，比如 (10,7) 让图形更大。
• 2,1：创建 2 行 1 列的子图布局，上下排列。
• sharex=True：上下轴共享 x 轴，确保分类标签对齐。
• height_ratios=[1,3]：关键参数！设置上下轴的高度比例，上轴占 1 份，下轴占 3 份。这意味着下轴会有更多空间展示小数据细节，你可以根据数据特点调整比例，比如 [1,4] 获得更大的下轴。

4. 数据绘制：让 "数据柱" 各就各位

ax_upper.bar(labels, data)
ax_lower.bar(labels, data)

• 分别在上轴和下轴绘制相同的柱状图，但由于后续的轴范围设置，上轴会显示极端值的全貌，下轴会放大显示小数据。这里的柱状图样式可以进一步定制，比如添加颜色、边框等：

ax_upper.bar(labels, data, color='skyblue', edgecolor='navy')
ax_lower.bar(labels, data, color='lightgreen', edgecolor='darkgreen')

5. 轴范围设置：划定 "数据展示区间" 

ax_lower.set_ylim(0, break_point)
ax_upper.set_ylim(break_point, upper_ylim)

• 下轴设置为 0 到 break_point（20），这样小数据（3-10）会占据下轴的大部分空间，细节清晰可见。
• 上轴设置为 break_point 到 upper_ylim（10000*1.1=11000），极端值 10000 会在上轴完整展示。

6. 边框处理：打造 "无缝视觉体验"

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()

• 隐藏上轴的底部边框和下轴的顶部边框，让两个轴看起来像一个整体。
• 取消上轴的顶部标签，确保 x 轴标签只在底部显示一次，避免重复。

7. 断裂线绘制：添加 "数据尺度转换标记"

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)

• 这部分代码在上下轴的连接处绘制对角线，作为轴断裂的视觉标记。参数 d 控制对角线的倾斜程度，0.015 是一个经验值，你可以调整 d 的大小（如 0.02）改变斜线的长度和角度。
• transform=ax_upper.transAxes表示使用轴的相对坐标（0-1），确保斜线位置始终在轴的角落，不受数据范围影响。

8. 标签与样式：提升 "图表颜值"

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)

• 标题设置：fig.suptitle添加整个图形的主标题，ax_lower.set_xlabel/ylabel添加坐标轴标签。你可以替换为实际场景的标题，如 "2024 年各季度销售额对比（含异常值）"。
• 网格线：添加 y 轴网格线（虚线，宽度 0.5），帮助读者读取数据值。
• 刻度样式：设置刻度标签的大小和样式，确保清晰可读。

用户数据替换指南：让代码适配你的真实场景

1. 替换核心数据：从示例数据到业务数据

场景一：直接替换为你的数据列表

# 原始数据
data = [10000, 3, 7, 9, 10, 6]
labels = ['A', 'B', 'C', 'D', 'E', 'F']# 替换为你的数据（例如：各产品的销量，其中产品A销量异常高）
data = [8500, 120, 150, 135, 140, 125]  # 假设8500是异常大值
labels = ['产品A', '产品B', '产品C', '产品D', '产品E', '产品F']

场景二：从文件读取数据

如果数据存储在 CSV 文件中，可以这样读取：

import pandas as pd# 读取CSV文件
df = pd.read_csv('your_data.csv')
data = df['数值列'].tolist()
labels = df['分类列'].tolist()

2. 调整断裂参数：找到最适合你数据的 "断裂点" 

# 原始断裂参数
break_point = 20
upper_ylim = max(data) * 1.1# 根据你的数据调整break_point
# 示例：如果小数据集中在50-100，极端值是2000
break_point = 150  # 给小数据留出50%的扩展空间
upper_ylim = max(data) * 1.05  # 极端值区域留5%的空白

调整技巧：

• 观察小数据的最大值，break_point 建议设为该值的 1.5-2 倍，确保下轴有足够的展示空间
• 上轴的 upper_ylim 可以设为极端值的 1.05-1.2 倍，避免图形顶部过于紧凑

3. 定制图形尺寸与比例：适应不同展示场景

# 原始图形设置
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，增大图形尺寸
figsize=(10, 7)
height_ratios=[1, 3.5]  # 下轴比例更大，适合精细展示# 示例2：用于论文排版，调整为更窄的比例
figsize=(6, 5)
height_ratios=[1, 2.5]  # 节省横向空间

4. 自定义颜色与样式：让图表更符合品牌调性 

# 原始绘图代码
ax_upper.bar(labels, data)
ax_lower.bar(labels, data)# 自定义颜色（示例：使用蓝色系渐变）
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')# 添加柱状图边框
ax_upper.bar(labels, data, color=colors, edgecolor='black', linewidth=0.5)

应用场景：轴断裂柱状图的 "十八般武艺"

1. 财务数据分析：一眼看穿异常收支

在公司财务报表中，某个项目的支出可能达到千万级别，而其他项目在十万级别。使用轴断裂柱状图可以：

• 上轴展示千万级支出的真实规模
• 下轴放大展示十万级支出的细微差异
• 快速发现预算超支或节省的项目

2. 生物实验数据：不遗漏任何细节

在生物学实验中，某个样本的指标值可能突增（如病毒浓度），而其他样本在正常范围：

• 上轴显示突变样本的极端值
• 下轴清晰比较正常样本的细微差异
• 帮助研究人员发现异常样本的同时，不忽视正常组的规律

3. 市场调研数据：大小数据同台竞技

在用户调研中，某个地区的响应人数可能远高于其他地区：

• 上轴展示热门地区的高响应量
• 下轴比较其他地区的响应差异
• 避免小数据地区在普通图表中 "隐身"

4. 教育数据分析：极端分数与整体水平兼顾

在考试成绩分析中，可能有个别学生获得满分，而大部分在 60-80 分之间：

• 上轴展示满分学生的突出表现
• 下轴详细比较其他学生的分数分布
• 帮助教师全面评估班级水平，不忽视尖子生也不忽略整体

实战案例：某电商平台分析各品类销售额，其中数码品类销售额达 8500 万元，而服装、食品等品类在 120-150 万元之间。使用轴断裂柱状图后，运营人员可以同时看到：

• 数码品类的绝对优势地位
• 服装、食品等品类的相对销售差异
• 快速定位需要重点关注的品类（如销售额最低的品类）

细节优化：让图表从 "能用" 到 "惊艳"

1. 增强断裂线的视觉提示

# 原始断裂线设置
d = .015# 优化方案：使用更醒目的断裂标记
d = 0.03  # 增大d值，让斜线更长更明显
kwargs = dict(transform=ax_upper.transAxes, color='red', linewidth=2, clip_on=False)
# 在上轴添加双向箭头断裂标记（更专业的视觉提示）
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. 添加数据标签：让数值一目了然 

# 为柱状图添加数值标签
def add_labels(ax):for p in ax.patches:height = p.get_height()if height > 0:  # 只显示正值标签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. 优化网格线与边框 

# 原始网格线设置
for ax in (ax_upper, ax_lower):ax.grid(True, axis='y', linestyle='--', linewidth=0.5)# 进阶优化：
for ax in (ax_upper, ax_lower):# 只显示主要网格线ax.grid(True, axis='y', which='major', linestyle='--', linewidth=0.7)# 隐藏不必要的边框ax.spines['left'].set_visible(False)ax.spines['right'].set_visible(False)# 添加轻微的背景色区分上下轴ax.set_facecolor('#f9f9f9')

4. 保存为高质量图片：满足出版需求 

# 原始保存设置
plt.savefig('axis_break_barplot.png', dpi=300)# 优化保存参数（用于论文或出版物）
plt.savefig('axis_break_barplot.tiff', dpi=600,          # 更高分辨率bbox_inches='tight', # 裁剪空白边缘pad_inches=0.1,     # 保留少量边距facecolor='white')  # 白色背景

常见问题与解决方案

1. 上下轴的柱状图对不齐怎么办？

原因：可能是标签长度不一致导致 x 轴刻度偏移，或者绘图时添加了额外元素。
解决方案：

# 添加固定x轴范围（假设标签是6个）
ax_upper.set_xlim(-0.5, 5.5)
ax_lower.set_xlim(-0.5, 5.5)

2. 断裂线看起来不自然怎么办？

原因：断裂线的比例或样式不合适。
解决方案：

# 尝试不同的断裂标记样式（如波浪线）
from matplotlib.path import Path
from matplotlib.patches import PathPatch# 定义波浪线路径
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)# 在上轴添加波浪线断裂标记
patch = PathPatch(path, transform=ax_upper.transAxes, color='k', clip_on=False)
ax_upper.add_patch(patch)

3. 极端值在上轴显示不全怎么办？

原因：upper_ylim 设置过小。
解决方案：

# 手动设置upper_ylim（确保极端值有足够空间）
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  # 假设极端值是10000，设为12000

总结：掌握轴断裂技术，解锁数据可视化新境界

通过今天的分享，我们深入解析了带轴断裂的柱状图绘制方法，从数据准备到图形优化，每一个步骤都旨在解决数据跨度大带来的可视化难题。这项技术就像为图表安装了 "变焦镜头"，让我们既能俯瞰数据全貌，又能聚焦细节差异。

现在轮到你动手实践了！💪 打开 Python 环境，替换成你的数据，调整断裂点和图形参数，看看那些曾经让你头疼的极端值数据如何变得清晰易懂。记得在遇到问题时回顾本文的 "用户数据替换指南" 和 "常见问题"，相信你一定能绘制出专业级别的轴断裂柱状图。

数据可视化的魅力在于将复杂信息转化为直观认知，而轴断裂技术正是这个过程中的有力武器。下次当你遇到 "贫富悬殊" 的数据时，不要再犹豫 —— 用轴断裂柱状图，让每一个数据点都绽放光彩！🌟

如果觉得本文对你有帮助，欢迎分享给身边的数据分析师和科研工作者。关注我，后续将带来更多数据可视化技巧，让我们一起在数据的海洋中探索美的可能！🚀