Matplotlib pyplot semilogy因具体数据而中断

Question

我正在尝试使用matplotlib.pyplot.semilogy在半对数刻度上显示数据，但出于某种原因某些特定数据不会以对数刻度显示。

这是最小的例子：

import numpy as np
import matplotlib.pyplot as plt

x1 = np.linspace(0, 1, 50)
y1 = np.linspace(0.1, 10, 50)

x2 = [ 0.5, 0.69230769,  0.88461538,  1.07692308,  1.26923077,  1.46153846,
1.65384615,  1.84615385,  2.03846154,  2.23076923,  2.42307692,  2.61538462,
2.80769231,  3.,          3.19230769,  3.38461538,  3.57692308,  3.76923077,
3.96153846,  4.15384615,  4.34615385,  4.53846154,  4.73076923,  4.92307692,
5.11538462,  5.30769231,  5.5,         5.69230769,  5.88461538,  6.07692308,
6.26923077,  6.46153846,  6.65384615,  6.84615385,  7.03846154,  7.23076923,
7.42307692,  7.61538462,  7.80769231,  8.        ]

y2 = [14.575361987617431, 13.085951334251263, 11.624204239934841, 11.042131295677322, 10.644970825480804,
9.9236653345614503, 9.5062099711101915, 9.3283627736535824, 9.0534046482183932, 8.8134672834907359,
8.4231263934928542, 8.42795792391086, 8.4456426949395116, 8.0627962362862267, 8.164485063139546,
7.9551127994296023, 7.8244362249461439, 7.9030927230355665, 7.7181207757466472, 7.5995483354781648,
7.5188031175401084, 7.5583740928502579, 7.5662853869793665, 7.437330171526578, 7.3623785273467872,
7.3503413700294535, 7.375341864137301, 7.300590983871917, 7.2357339123237017, 7.1353470647499266,
7.1784115809287599, 7.1576686293908374, 7.097654663701598, 6.9911420242692399, 7.0015210243972046,
6.9017431583355604,6.9352210046151539, 6.8707305411431996, 6.7925239329688045, 6.7930737708109978]

plt.figure(1)

plt.subplot(2,1,1)
# plt.plot(x1, y1, 'o-')
plt.plot(x2, y2, 'o-')
plt.title('Linear Scale')

plt.subplot(2,1,2)
# plt.semilogy(x1, y1, 'o-')
plt.semilogy(x2, y2, 'o-')
plt.title('Semi-Log Scale')

plt.subplots_adjust(top=0.95, bottom=0.05, hspace = 0.25)

plt.show()

哪些输出：

但如果我绘制x1和y1而不是它似乎正常工作：

我不确定为什么会这样，也许半导体中有一个错误？有没有人知道解决方法？

我在python版本3.6.3上使用matplotlib版本2.1.0

Answer 1

这是一种误解。有时你会看到你想看到的东西，而不是那里的东西。数据图确实不同，并且比例是正确的。可以肯定的是，由于数据范围远小于十年，因此没有重大差异（与下图中的二十年不同），但您可能会发现，在第一个图的下半部分，数据更加颠簸并且曲率是不同的。如果没有，这里是两个图像的叠加，您可以从中看到差异。