Python matplotlib中不需要的白色列--如何删除？

下面是python代码（移植自Richard McElreath出色的统计反思），它在我的结果图中产生了一个不需要的白色trasparent“列”：

import numpy as np
import pandas as pd
import scipy.stats

import matplotlib.pyplot as plt

# import data
url = "https://raw.githubusercontent.com/pymc-devs/resources/master/Rethinking_2/Data/Howell1.csv"


df = pd.read_csv(url, delimiter = ';')
df2 = df[df.age >= 18]

# sample priors (prior predictive check)

n = 100
a = scipy.stats.norm.rvs(178, 20, n)
b1 = scipy.stats.norm.rvs(0, 10, n)
b2 = np.exp(scipy.stats.norm.rvs(0, 1, n))

xbar = df2.weight.mean()


# compare 2 priors

fig,ax = plt.subplots(1,2,sharey=True)

for i in range(100):
    ax[0].plot(df2.weight, a[i] + b1[i]*(df2.weight - xbar),color = 'grey',lw=.5,alpha=.2)
    ax[0].set_xlabel('weight')
    ax[0].set_ylabel('height')
    ax[0].set_title('normal prior of β')
    ax[1].plot(df2.weight, a[i] + b2[i]*(df2.weight - xbar),color = 'grey',lw=.5,alpha=.2)
    ax[1].set_xlabel('weight')
    ax[1].set_title('log-normal prior of β')

plt.axis([30,60,-100,400])
plt.show()

这发生在我的Jupyter笔记本、Google CoLab和pdf（plt.savefig）中

我的笔记本版本： numpy 1.19.4 熊猫1.1.5 scipy 1.5.4 matplotlib 3.3.3

---

谢谢

我手动设置这些值，但是如果为每个图形设置轴，边距将消失

ax[0].axis([33,63,-100,400])
ax[1].axis([33,60,-100,400])

如果要缩小图形之间的间距，可以通过以下方式进行

fig.subplots_adjust(wspace=0.05)

---

我想你指的是线条画得更细/更轻的区域，而不是边界

我发现这与别名有关，而不是数据本身

使用抗锯齿参数：

ax[0].plot(..., antialiased=False)

看起来像这样：

当然，这会使绘图看起来很难看，但您可以增加图形大小或dpi参数

fig.set_dpi(300.0)
...
plt.show();

然后你得到这个：

---

这是一个以有趣的方式与抗锯齿交互的数据工件。在最终图像中，我们必须为每个像素选择一种颜色。如果没有消除混叠，当我们必须绘制一条线时，我们必须确定该像素是“在”线中（因此我们对其着色）还是“在”线外（在这种情况下，我们不对其着色），这可能会导致阶梯状线条（尤其是接近平面的线条）。使用抗锯齿功能，我们根据像素“在”行与“不在”行的比例为像素上色。这抹掉了我们的眼睛（以一种好的方式），我们看到了一条更令人信服的直线。如果不使用抗锯齿或alpha，多次绘制同一条线不会改变外观（任何给定的像素仍然处于内部或外部），但是使用抗锯齿或alpha，每次绘制线时，任何“部分”像素都会变暗

在原始数据中，

df2.weight

中的值都落在同一行上，但它们没有排序，因此在绘制时，它们在同一路径上来回移动（请参见左中面板中的轨迹）。根据转折点的确切位置以及任何给定线段的穿越次数，某些地方的线条看起来会比其他地方更暗。数据的确切结构中有某种东西导致了这种“带”

如果增加DPI，像素会变小，因此效果会变得不明显（类似于放大），如果启用抗锯齿，效果会变得不明显。我怀疑（但还没有测试）如果你洗牌的数据，你将能够移动乐队周围

对权重进行排序（从这个上下文来看，我认为它们的顺序没有意义？）会使底部两个面板中的绘图看起来更好

简言之，这个波段是“真实的”，因为它代表了数据中的某些东西，而不是渲染过程中的一个bug，但它突出显示了数据中我认为没有意义的结构

将numpy导入为np
作为pd进口熊猫
导入scipy.stats
将matplotlib.pyplot作为plt导入
#导入数据
url=”https://raw.githubusercontent.com/pymc-devs/resources/master/Rethinking_2/Data/Howell1.csv"
#这是一个mpl 3.3特性
图，ad=plt.子地块_马赛克(
[
[“正常”、“对数正常”]，
[“跟踪”、“历史记录”]，
[“排序正常”、“排序日志正常”]，
],
受约束的布局=真，
)
df=pd.read_csv（url，分隔符=“；”）
df2=df[df.age>=18]
#样本先验（先验预测检查）
n=100
a=scipy.stats.norm.rvs（178，20，n）
b1=scipy.stats.norm.rvs（0,10,n）
b2=np.exp（scipy.stats.norm.rvs（0,1,n））
def内部（重量、a、b1、b2、最大值）：
xbar=np.平均值（重量）
对于范围（100）内的i：
ax_dict[“正常”]绘图(
权重，a[i]+b1[i]*（权重-xbar），color=“grey”，lw=0.5，alpha=0.2
)
ax_dict[“正常”]。设置标签（“重量”）
ax_dict[“正常”]。设置标签（“高度”）
ax_dict[“normal”]。设置标题（“β的normal previor”）
ax_dict[“对数正常”]绘图(
权重，a[i]+b2[i]*（权重-xbar），color=“grey”，lw=0.5，alpha=0.2
)
ax_dict[“对数正常”]。设置标签（“重量”）
ax_dict[“对数正常”]。设置标题（“β的对数正常之前”）
内部（df2.重量，a，b1，b2，ad）
内在的(
np.数组（已排序（df2.权重）），
A.
b1，
b2，
{“正常”：ad[“排序正常”]，“日志正常”：ad[“排序正常”]}，
)
ad[“hist”].hist（df2.weight，箱子=100，color=“0.5”）
ad[“历史”]。设置标签（“重量”）
ad[“hist”]。设置标签（“#”）
ad[“跟踪”]绘图（df2.weight，“-o”，color=“0.5”，alpha=0.5）
ad[“跟踪”]。设置标签（“重量”）
ad[“跟踪”]。设置标签（“索引”）
plt.show（）