Python Matplotlib'；s symlog（又称对称对数）刻度？

这不是一个真正的编程问题。而是一个历史的

---

我想知道Matplotlib的 或“对称对数”刻度：

• 这是Matplotlib的发明吗
• 有人在另一个绘图工具中看到过类似的功能吗？ 数学课本？ 其他地方

---

为了完整性，由于文档有点简短：

本质上，symlog给出了低于某个阈值的线性刻度和高于该阈值的对数刻度。这允许绘制范围广泛的数字（如对数刻度），包括负数和零（这在传统对数刻度中是不可能的）

这里有一些例子和例子

---

正如@Paul所建议的，我继续询问Matplotlib实现的细节。他“没有发明这个概念”，但“相信它是根据用户请求实现的”。不过，他在Matplotlib邮件列表中找不到参考资料

有人能指出这样一种说法吗？这可能非常有见地。

1）你必须要问，谁似乎是相关类的作者（根据git的指责），这是

2） 对称缩放

---

Matplotlib有一个github，并且已经在版本控制下有一段时间了，因此这些问题可以通过阅读source+git来轻松检查。

这更像是一个扩展注释。要在所有实数上连续地（或者更好地，平滑地）扩展对数，自然要在一个小的正值处停止、移动和反射。也就是说，使用<代码> 1 >代码>要小，考虑函数<代码>日志（x+1）< /> > <代码>×<代码>非负代码和<代码> -log（-x + 1）< />代码>代码> x<代码>非正。我使用演示示例图（没有

linthreshy

修改）将其与下面的

symlog

比例进行了比较

但事实并非如此，从稍微陡峭的第一排和第二排左侧图中可以明显看出。这可以通过将对数的对称性从

x=1

和

x=-1

移近零来修改，例如

x=.1

和

x=-.1

。此外，区域

[-linthresh，linthresh]

是线性的，这在右侧图中不是这种情况。下面是一个函数，它生成所描述的

matplotlib

的

symlog

近似值，以及一些可供玩弄的选项

from math import log

def symmetric_logarithm(arg,base=10,shift=1):
    if arg >= 0:
        return log(arg+shift,base)-log(shift,base)
    else:
        return -log(-arg+shift,base)+log(shift,base)

---

我在

plotly

（没有

symlog

type scale（））中通过查找用于创建它的函数来尝试实现这一点。

在浏览web以获得相同的答案时，我找到了实现相同函数的MatLab包

在其描述中，报告了以下内容：

SYMLOG将修改后的对数刻度应用于指定的或当前的 处理负值的轴，同时保持整个轴的连续性 零该转换在期刊的一篇文章中定义 测量科学与技术（韦伯，2012）

---

我认为可以合理地假设这是标尺的原始来源。

我不想知道Matplotlib实现的作者以前是否在其他地方见过它，而是想知道是否有人以前在其他地方见过它。按照你的逻辑，每个提出关于X的问题的人都应该提到发明X的人，而不是任何知道答案的人。然而，问他显然是最有效的方法，特别是因为这门课已经很老了（2007年），但他仍然在。是的，当然。我的观点是：这种（非）答案总是“有效”。想象一下，你把它一字不差地贴到了我链接到的关于symlog的另一个问题上。我继续问他。他“没有发明这个概念”，但“相信它是根据用户请求实现的”。不过，他在Matplotlib邮件列表中找不到参考资料。我想这意味着我的问题仍然存在。。。（尽管投了反对票）你介意对此发表评论吗？我想，这至少会使你的投票无效。我按照你的建议找到了答案，但没有找到答案。如果不是这样的话，你会怎么调查呢？人们以前很有可能见过这种绘图方法？正如你在序言中所说的，很遗憾，这并没有回答我的问题，而是一个延伸的评论。我基本上是在寻找symlog最初的发明地。由于各自matplotlib代码的作者说不是他发明的，所以肯定还有其他人！总之，在最后一句话中，您是否暗示您正在寻找matplotlib中用于计算符号日志的代码？如果是，它就在这里：希望有帮助！谢谢，我一直在找。上面我想说的是，

symlog

的实现方式是非常自然的，因此要求它的“发明者”可能很困难，而且离题（我提到的反射和移动的概念在链接代码中是相同的，还有一些更精细的缩放）。也就是说，在我看来，这些代码行的作者当然是一个发明家——但我们可以合理地期望任何其他被要求实现对称对数的人（并且不知道这位作者的工作）也能给出同样的答案，因此也可以被视为发明家。这很公平。我同意这是自然的，但并不明显。我仍然认为一些旧的数学或数据分析教科书，甚至像高斯、欧拉、牛顿等会提到这个把戏。伟大的发现！我还找到了参考资料：从摘要上看，它听起来像是原作。不过，它不是开放存取的，所以我目前无法检查实际的纸张。