如何对每个分布组分别归一化并绘制面积为1的直方图

假设你有如下DataFrame：

CATEGORY  Value
a          v1
a          v2
a          v3
a          v4
a          v5
b          v6
b          v7
b          v8

如果用seaborn.histplot按CATEGORY绘制分布，代码如下：

sns.histplot(data, "Value", hue="CATEGORY", stat="percent")

但这里存在问题：类别a占总样本的5/8，类别b占3/8，直方图会直接反映这个占比。而你需要让每个类别的直方图面积独立归一化为1，也就是每个类别内部的占比总和为100%，不受总样本占比影响。

方法一：利用seaborn内置参数直接实现 #

seaborn的histplot本身支持这个需求，不需要手动遍历类别。只需要将stat设为"density"，同时设置common_norm=False，这样每个类别会独立计算密度，确保自身面积为1：

import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(data, "Value", hue="CATEGORY", stat="density", common_norm=False)
plt.show()

common_norm=False的核心作用就是关闭全局归一化逻辑，改为每个类别单独做归一化处理，完美匹配你的需求。

方法二：手动遍历类别绘制（精细化控制） #

如果需要对每个类别做更个性化的调整（比如自定义bins、颜色、透明度等），可以遍历每个类别单独绘制：

import seaborn as sns
import matplotlib.pyplot as plt

# 获取所有唯一类别
categories = data["CATEGORY"].unique()
for cat in categories:
    # 提取当前类别的数据子集
    subset = data[data["CATEGORY"] == cat]
    # 单独绘制该类别的归一化直方图
    sns.histplot(subset["Value"], stat="density", label=cat)
# 添加图例
plt.legend()
plt.show()

这种方式自由度更高，适合需要针对不同类别做差异化设置的场景。

内容的提问来源于stack exchange，提问作者Martin Beraldo