matplotlib 在绘制多条数据线时，若某条数据存在极端异常值（如超大绝对值），会导致 y 轴自动缩放至极大范围，使其他正常波动的曲线在视觉上退化为“水平线”，实则并非数据错误，而是尺度失衡所致。
该问题本质是 Matplotlib 自动设置 y 轴范围（ylim）时，被某列数据中的离群异常值主导——例如在 FTBS_nonlin_out[4] 中，数值可能因数值不稳定性（如 FTBS 格式在非线性对流下的放大误差）暴增至约 -2e18 量级。而 FTBS_nonlin_out[0.0] 初始态仅在 [-5, 5] 区间波动。当二者共绘于同一坐标系时，Matplotlib 将 y 轴设为 [-2e18, 0]，此时幅度仅 ~10 的正弦波形在像素级渲染中完全不可分辨，视觉上即呈现为一条“扁平蓝线”。
可通过以下方式快速诊断与修复：
✅ 诊断方法（推荐优先执行）：
print("y-range for t=0.0:", FTBS_nonlin_out[0.0].min(), FTBS_nonlin_out[0.0].max())
print("y-range for t=4: ", FTBS_nonlin_out[4].min(), FTBS_nonlin_out[4].max())✅ 修复方案（三选一）：
-
显式限制 y 轴范围（最直接）：
ax1.set_ylim(-30, 10) # 根据初始态合理范围设定
-
过滤异常值后再绘图（保障可视化鲁棒性）：
# 仅保留合理数值（例如 |y| < 1e3） valid_mask = np.abs(FTBS_nonlin_out[4]) < 1e3 ax1.plot(FTBS_nonlin_out.index[valid_mask], FTBS_nonlin_out.loc[valid_mask, 4], label='t=4')
-
使用对数/对称对数坐标（慎用，需业务允许）：
ax1.set_yscale('symlog', linthresh=1e-2) # 处理跨量级数据
⚠️ 根本原因提醒：
本例中 FTBS_nonlin 函数未做数值稳定性控制（如通量限制器、CFL 条件校验），dt=0.5 与 dx=1.0（因 L=J=100）导致 CFL 数 c·dt/dx = 0.5
总结：Matplotlib 不会“画错线”，它忠实地按数据和坐标系渲染；所谓“扁平线”，往往是坐标轴尺度被异常值绑架的视觉假象。养成绘制前检查数据极值、善用 ax.set_ylim() 或 plt.margins() 的习惯，可规避 90% 此类困惑。
