在hist调用中指定bins=8意味着最小值和最大值之间的范围被平均划分为8个bin。在线性尺度上相等的东西在对数尺度上是扭曲的。
你可以做的是指定直方图的条柱，使它们在宽度上不相等，从而使它们在对数尺度上看起来相等。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

x = [2, 1, 76, 140, 286, 267, 60, 271, 5, 13, 9, 76, 77, 6, 2, 27, 22, 1, 12, 7, 
     19, 81, 11, 173, 13, 7, 16, 19, 23, 197, 167, 1]
x = pd.Series(x)

# histogram on linear scale
plt.subplot(211)
hist, bins, _ = plt.hist(x, bins=8)

# histogram on log scale. 
# Use non-equal bin sizes, such that they look equal on log scale.
logbins = np.logspace(np.log10(bins[0]),np.log10(bins[-1]),len(bins))
plt.subplot(212)
plt.hist(x, bins=logbins)
plt.xscale('log')
plt.show()

字符串

的数据

这里是另一个解决方案，不使用子图或在同一图像中绘制两个东西。

import numpy as np
import matplotlib.pyplot as plt

def plot_loghist(x, bins):
  hist, bins = np.histogram(x, bins=bins)
  logbins = np.logspace(np.log10(bins[0]),np.log10(bins[-1]),len(bins))
  plt.hist(x, bins=logbins)
  plt.xscale('log')

plot_loghist(np.random.rand(200), 10)

字符串

的数据

用x的对数绘制另一个直方图。
与在对数尺度上绘制x不同。画出x的对数是

np.log(x).plot.hist(bins=8)
plt.show()

字符串

的数据
不同之处在于x本身的值被转换为：我们在看它们的对数。
这与在对数标度上绘图不同，在对数标度上，我们保持x不变，但改变了水平轴的标记方式（向右挤压条，向左拉伸条）。

根据我的实验，np.histogram的使用可能是不必要的，因为x的两端正好是最小值和最大值，不需要np.histogram来计算：

import numpy as np
from matplotlib import pyplot as plt

def plot_loghist(x, bins):
    logbins = np.logspace(np.log10(np.min(x)),np.log10(np.max(x)),bins+1)
    plt.hist(x, bins=logbins)
    plt.xscale('log')

plot_loghist(np.random.rand(200), 10)

字符串

Seaborn对于具有对数尺度的直方图也是一个很好的解决方案，而不必像使用matplotlib那样手动指定直方图bin边缘。

# standard imports...
import seaborn as sns

x = [2, 1, 76, 140, 286, 267, 60, 271, 5, 13, 9, 76, 77, 6, 2, 27, 22, 1, 12, 7, 19, 81, 11, 173, 13, 7, 16, 19, 23, 197, 167, 1]
x = pd.Series(x)
plt.hist(x)
plt.xscale('log')
plt.gca().set(title='Matplotlib histogram, logarithmic x axis')
plt.show()
#x.plot(kind='hist', log=True)

sns.histplot(x, bins=8, log_scale=True)
plt.gca().set(title='Seaborn histogram, logarithmic x axis')
plt.show()
sns.histplot(x, bins=8, log_scale=True)
plt.gca().set(title='Seaborn histogram, logarithmic x axis, with scalar ticks')
plt.gca().xaxis.set_major_formatter(mpl.ticker.ScalarFormatter())
plt.gca().set_xticks([1, 10, 100, 150])
plt.show()

字符串