您需要定义最左边界所在的下限，或者您可以在y轴上对数据进行分组，并在每个分组中找到x值最小的点。我将采用前一种方法并执行以下操作（使用插值器函数）：

import numpy as np
import pylab as plt

# import the scipy interpolator
from scipy.interpolate import interp1d

n = 50
y = np.random.randint(1, 20, n)

# set x-positions (as plotted)
x = np.arange(n)

# set lower boundary on x below which we'll find the "edge"
lowbound = 10

# get the y-values below the lowbound
lowy = y[x < lowbound]

# get indices of unique values below the bound
idx = np.unique(lowy, return_index=True)[1]

# get a linear interpolator between the points
ci = interp1d(y[idx], x[idx], kind="linear")

plt.scatter(x, y)

# plot boundary
yvals = np.linspace(y[idx].min(), y[idx].max(), 100)  # points at which to calculate the interpolant
plt.plot(ci(yvals), yvals, color="r")

这给出：

如果你想要一条更弯曲的线，你可以把interp1d中的"linear"改变为，例如，"cubic"，但是这并不能保证它不包含边界"内部"的点，或者偏离想象的边界很远。

获得一点曲率但不可能包括边界"内部"点的方法是在进行线性插值之前转换到对数空间，然后再转换回来进行绘图，例如：

ci = interp1d(y[idx], np.log10(x[idx] + lowbound), kind="slinear")
plt.plot(10**ci(yvals) - lowbound, yvals, color="r")

其给出：

其公认地（在这种情况下）与原始线性内插没有太大不同。

假设y值有些离散，则可以执行以下操作

y_unique = np.unique(y)

x_values = np.empty(len(y_unique))

indices = list(range(0, len(y)))

for idx, v in enumerate(y_unique):
    x_values[idx] = np.argmin(indices[y==v])
    

fig, ax = plt.subplots()
ax.plot(y, '.')
ax.grid(alpha=0.5)

plt.scatter(x=x_values, y=y_unique, color="red")

plt.show()

这是来自移动的和未经测试的