Bokeh 中实现双 X 轴：一个线性、一个对数刻度的正确方法-Python教程-PHP中文网

Bokeh 中实现双 X 轴：一个线性、一个对数刻度的正确方法

Bokeh 不支持在同一图表中直接混合使用线性与对数 X 轴（因 x_range_name 关联的范围类型必须与轴类型一致），核心问题在于对数轴不能包含零或负值，且 Bokeh 的 LogAxis 无法自动适配非对数范围；需手动转换数据或采用双图联动方案。

bokeh 不支持在同一图表中直接混合使用线性与对数 x 轴（因 `x_range_name` 关联的范围类型必须与轴类型一致），核心问题在于对数轴不能包含零或负值，且 bokeh 的 `logaxis` 无法自动适配非对数范围；需手动转换数据或采用双图联动方案。

在 Bokeh 中为同一图表添加「双 X 轴」——一个线性、一个对数刻度——看似可行，实则受限于其底层坐标系统设计。你遇到的“对数轴无刻度、散点仍按线性绘制”问题，并非代码疏漏，而是 Bokeh 的明确限制：LogAxis 必须搭配 LogTicker 和 LogScale，且其所绑定的 x_range_name 必须使用 Range1d 的对数值范围（即 start > 0），同时所有映射到该 x_range_name 的 glyph（如 scatter）会自动按对数尺度解析其 X 坐标值。但关键矛盾在于：Bokeh 不允许多个 X 轴共享同一 figure 的 x_range，也不支持为不同 x_range_name 指定不同坐标系类型（如一个 linear、一个 log）。

因此，以下两种专业级解决方案可真正落地：

✅ 方案一：数据预处理 + 单图双轴（推荐）

将对数数据预先取 log10()，再用线性轴显示，并自定义对数标签：

import pandas as pd
import numpy as np
from bokeh.plotting import figure, show
from bokeh.models import LinearAxis, Range1d, LabelSet, ColumnDataSource
from bokeh.layouts import gridplot

df = pd.DataFrame([
    ['2024-06-21 06:22:38', 605.968389, 0.994548, 3],
    ['2024-06-21 06:22:39', 616.009398, 0.983443, 4],
    # ...（其余数据同上）
], columns=['time', 'Altitude', 'log_data', 'linear_data'])

# 关键：将 log_data 转换为 log10 值（避开 0！）
df['log_data_log10'] = np.log10(df['log_data'].replace(0, np.nan)).fillna(-1)  # 或设最小正值

source = ColumnDataSource(df)

p = figure(
    title="Linear & Log-Scaled Data (Log Data Pre-Transformed)",
    x_axis_label="Linear Data",
    y_axis_label="Altitude / km",
    frame_height=900,
    frame_width=650,
    tools="pan,wheel_zoom,box_zoom,reset"
)

# 主线性数据（红色折线）
p.line('linear_data', 'Altitude', line_color='red', line_width=2, source=source)

# 对数数据：使用转换后的 log10 值绘图，但标注原始对数值
p.scatter('log_data_log10', 'Altitude', size=8, color='blue', alpha=0.8, source=source)

# 添加第二 X 轴（线性，但代表 log10 值）
p.add_layout(LinearAxis(
    axis_label="Log Data (base 10)",
    axis_label_text_color='blue',
    major_label_orientation="horizontal"
), 'below')

# ⚠️ 重要：设置合理的对数范围（避免 0）
p.x_range = Range1d(start=-1.5, end=np.log10(115))  # 对应原始 [0.03, 115]

# 可选：添加自定义标签显示原始对数值（如 0.1, 1, 10, 100）
log_ticks = [0.1, 1, 10, 100]
p.extra_x_ranges = {"log_axis": Range1d(start=-1, end=2)}
p.add_layout(LinearAxis(x_range_name="log_axis", 
                       major_label_overrides={np.log10(v): str(v) for v in log_ticks}),
            'above')

show(p)

✅ 优势：单图直观、性能好、交互统一；✅ 注意：务必确保 log_data > 0，否则 log10 报错或产生 NaN；建议用 np.log10(np.clip(df['log_data'], 1e-5, None)) 安全处理。

❌ 方案二：双图同步（备选，适合复杂需求）

若需严格保留原始刻度语义（如底部显示 1, 10, 100 等对数主刻度），推荐创建两个独立 figure 并通过 CustomJS 同步缩放/平移：

from bokeh.models import CustomJS

# 创建主图（线性）
p_linear = figure(..., x_axis_label="Linear Data")
p_linear.line('linear_data', 'Altitude', source=source)

# 创建对数图（单独 figure，x_axis_type='log'）
p_log = figure(..., x_axis_type='log', x_axis_label="Log Data")
p_log.scatter('log_data', 'Altitude', source=source)

# 同步 X 范围（JavaScript）
callback = CustomJS(args=dict(p1=p_linear, p2=p_log), code="""
    p2.x_range.start = Math.pow(10, p1.x_range.start);
    p2.x_range.end   = Math.pow(10, p1.x_range.end);
""")
p_linear.x_range.js_on_change('start', callback)
p_linear.x_range.js_on_change('end', callback)

layout = gridplot([[p_linear], [p_log]], ncols=1, width=700, height=450)
show(layout)