4. 对数坐标下零值与负值导致的绘图中断

问题定位：对数轴为什么“画不出来”

对数坐标的数学定义域是 x > 0。当数据列中出现 0 或负值时，不同绘图库的处理方式并不一致：有的在坐标变换阶段直接抛出异常（如 ValueError: Data has no positive values, and therefore cannot be log-scaled），有的把非正值静默映射为 NaN 从而“丢点”，还有的只保留正值但把整条折线断开。因此排障的第一步不是急着改数据，而是先确认是报错还是丢点，再确认非正值的数量与位置。

下面用一段可复现的示例数据来演示。假设我们有一组随时间变化的浓度测量值，其中混入了 0 和负值（仪器下限截断或背景扣除后的结果）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 示例数据：含 0 与负值
t = np.arange(1, 13)
conc = np.array([5.2, 3.8, 2.1, 0.0, 0.9, -0.4, 0.6, 0.35, 0.12, 0.0, 0.05, 0.02])
df = pd.DataFrame({"t": t, "conc": conc})

print("非正值数量:", (df["conc"] <= 0).sum())
print("非正值位置:", df.loc[df["conc"] <= 0, "t"].tolist())
# 非正值数量: 3
# 非正值位置: [4, 6, 10]

直接调用 ax.set_yscale("log") 时，Matplotlib 会忽略非正值并在控制台给出警告，折线在对应位置断开；若整列都非正，则直接报错。定位阶段应始终先打印非正值的数量、索引和原始值，而不是只看图。

三种方案的实现与选择依据

方案 A（过滤）最稳妥，前提是你能确认非正值属于无效数据。实现时用布尔掩码过滤，并保留原始索引以便追溯：

mask = df["conc"] > 0
df_pos = df[mask].copy()
ax.plot(df_pos["t"], df_pos["conc"], marker="o")
ax.set_yscale("log")
# 缺口处折线断开，符合“数据缺失”的语义

方案 B（伪对数 symlog）适合零和负值本身有物理意义（如背景扣除后的净信号）。linthresh 决定线性区宽度，应取略大于最小正值的量级，避免线性区吞掉有效数据：

ax.plot(df["t"], df["conc"], marker="o")
ax.set_yscale("symlog", linthresh=0.1)
ax.axhline(0, color="gray", lw=0.8, ls="--")

方案 C（分段坐标）在需要同时展示大正值与负值时使用，通常通过自定义 FuncScale 或双轴实现，成本最高，仅在 A、B 都不满足语义时采用。

验证：变换后数值与视觉位置是否一致

无论选哪种方案，都要做一次“数值—位置”核对，防止坐标变换悄悄改变了数据含义。对纯对数轴，取两个已知点计算其在轴上的相对位置：

import numpy as np
# 对数轴上，值 v 的位置比例 = (log10(v) - log10(ymin)) / (log10(ymax) - log10(ymin))
ymin, ymax = 0.01, 10
for v in [0.02, 0.12, 5.2]:
    frac = (np.log10(v) - np.log10(ymin)) / (np.log10(ymax) - np.log10(ymin))
    print(f"v={v:>5} 位置比例={frac:.3f}")
# v= 0.02 位置比例=0.101
# v= 0.12 位置比例=0.360
# v= 5.2  位置比例=0.905

把这三个比例与图中数据点的实际像素位置对照，若偏差超过 1~2 像素，说明存在额外的坐标变换或数据被意外修改。对 symlog，则要额外确认 0 恰好落在 y=0 的线性段中心，且 -0.4 与 0.4 关于零线对称。

排障检查清单