为何seaborn的kdeplot未归一化？y轴显示实际计数而非0-1范围

首先澄清一个误解：核密度估计（KDE）的y轴代表概率密度，而非概率。概率的取值范围是0-1，但概率密度可以大于1——只要曲线下方的总面积等于1（代表总概率为1）就符合理论。比如当你的数据高度集中在一个很小的区间时，密度值就会超过1，这是完全正常的。

如果你的需求是让y轴显示范围固定在0-1，或者把密度值缩放到0-1区间，有两种处理方式：

方式1：强制设置y轴范围 #

直接用matplotlib的ylim函数固定y轴上下限，不管实际密度值：

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

# 读取数据部分保持不变
inp1 = open('1BVN_g.txt', 'r')
val = []
for line in inp1:
    a = line.rstrip()
    val.append(float(a))
    
val2 = np.array(val)

sns.kdeplot(val2, shade=True)
plt.ylim(0, 1)  # 新增这一行，强制y轴范围0-1
plt.show()

方式2：将密度值归一化到0-1区间 #

如果需要把密度值本身缩放到0-1（即最大值为1），可以先手动计算KDE的结果，再进行归一化后绘图：

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
from scipy.stats import gaussian_kde

inp1 = open('1BVN_g.txt', 'r')
val = []
for line in inp1:
    a = line.rstrip()
    val.append(float(a))
    
val2 = np.array(val)

# 计算KDE
kde = gaussian_kde(val2)
x = np.linspace(val2.min(), val2.max(), 1000)
y = kde(x)

# 归一化到0-1
y_normalized = y / y.max()

# 绘图
plt.fill_between(x, y_normalized, alpha=0.5)  # 对应shade=True的效果
plt.plot(x, y_normalized)
plt.show()

注意：第二种方式会改变KDE的原始含义（不再是概率密度），仅适用于需要相对密度对比的场景。

内容的提问来源于stack exchange，提问作者Gargi Biswas