如何在Seaborn jointplot中绘制分组相对频率直方图？

因为jointplot的hue参数默认会对所有组使用全局归一化尺度，样本量小的组边缘分布会被大样本组压制，且norm_hist参数仅作用于联合图，无法影响边缘子图。可以通过JointGrid手动拆分数据绘制，让每个组的分布按自身归一化：

具体实现代码 #

import seaborn as sns
import matplotlib.pyplot as plt

# 初始化JointGrid，指定变量和数据集
g = sns.JointGrid(x=var_x, y=var_y, data=df)

# 绘制每个条件的联合KDE（按自身归一化）
for cond in df['condition'].unique():
    subset = df[df['condition'] == cond]
    g.plot_joint(
        sns.kdeplot,
        data=subset,
        x=var_x, y=var_y,
        fill=True, alpha=0.7, label=cond,
        common_norm=False  # 关键：每个组独立归一化，不共享全局尺度
    )

# 处理X轴边缘图：绘制归一化的直方图+KDE
ax_x = g.ax_marg_x
for cond in df['condition'].unique():
    subset = df[df['condition'] == cond]
    sns.histplot(
        data=subset, x=var_x, ax=ax_x,
        kde=True, stat='density',  # stat='density'将直方图转为密度（归一化）
        alpha=0.5, label=cond
    )
ax_x.legend(title='Condition')

# 处理Y轴边缘图：同理
ax_y = g.ax_marg_y
for cond in df['condition'].unique():
    subset = df[df['condition'] == cond]
    sns.histplot(
        data=subset, y=var_y, ax=ax_y,
        kde=True, stat='density',
        alpha=0.5, label=cond
    )
ax_y.legend(title='Condition')

# 设置轴标签和标题
g.set_axis_labels(var_x, var_y)
plt.suptitle('Normalized Joint Distribution by Condition', y=1.02)
plt.show()

关键说明 #

• 用JointGrid替代jointplot，获得对联合图、边缘子图的完全控制权
• 联合KDE的common_norm=False：让每个组的密度分布按自身样本量计算，避免大样本组主导尺度
• 边缘图的stat='density'：将直方图转换为密度分布（总面积为1），确保小样本组的分布形状能正常显示，不会被大样本组的直方图覆盖

如果只想显示边缘KDE，把histplot替换为kdeplot即可：

sns.kdeplot(data=subset, x=var_x, ax=ax_x, fill=True, alpha=0.5, label=cond)

内容的提问来源于stack exchange，提问作者Alexis Cllmb