displot()与plot()绘制PDF差异：为何displot()无法生成正态分布图？

我用displot()和plot()两种方法可视化正态分布的概率密度函数（PDF），发现displot()生成的图形完全不符合预期，而plot()能完美输出标准的钟形正态曲线。明明两者应该得到一致的密度图，请问displot()的问题出在哪？

代码示例1（displot()实现） #

from scipy.stats import norm
import seaborn as sns 
import numpy as np

data_x= np.arange(-4, 4, 0.001)
norm_pdf = norm.pdf(data_x)
sns.displot(data = norm_pdf, x = data_x, kind='kde')

对应图形：呈现出一条奇怪的扁平曲线，完全不是预期的钟形正态分布。

代码示例2（plot()实现） #

from scipy.stats import norm
import matplotlib.pyplot as plt
import numpy as np

data_x= np.arange(-4, 4, 0.001)
plt.plot(data_x, norm.pdf(data_x))
plt.show()

对应图形：标准的钟形正态分布曲线，完全符合预期。

问题原因 #

seaborn的displot()（当指定kind='kde'时）的核心逻辑是基于输入的样本数据，通过核密度估计（KDE）来拟合分布，而不是直接绘制你传入的x-y坐标对。

你错误地把预先计算好的PDF值（norm_pdf）传给了data参数，同时把data_x传给x参数——这相当于让seaborn把norm_pdf当成一组样本数据（这些数据的取值范围在0到0.4之间），然后对这组数据做KDE估计，最终画出的是这组PDF值的分布，而不是你想要的正态分布PDF曲线。

反观plt.plot()，它是直接根据你传入的data_x（x轴）和norm.pdf(data_x)（y轴）坐标点连线，所以能准确绘制出预先计算好的PDF曲线。

修正方案 #

方案1：用kdeplot()直接绘制x-y曲线 #

如果你已经预先计算好了PDF值，改用seaborn的kdeplot()并指定x和y参数，就能实现和plot()一样的效果：

from scipy.stats import norm
import seaborn as sns 
import numpy as np

data_x = np.arange(-4, 4, 0.001)
norm_pdf = norm.pdf(data_x)
sns.kdeplot(x=data_x, y=norm_pdf, fill=False, linewidth=2)

方案2：让displot()基于样本数据估计KDE #

这更符合seaborn的设计初衷：生成一组正态分布的样本数据，让displot()自动通过KDE拟合出分布曲线：

from scipy.stats import norm
import seaborn as sns 
import numpy as np

# 生成10000个标准正态分布的样本
sample_data = norm.rvs(size=10000)
sns.displot(data=sample_data, kind='kde')

内容的提问来源于stack exchange，提问作者mustafa00