如何用Seaborn在长格式DataFrame中生成多密度图或叠加密度图？

针对你当前只能单独生成图像的问题，提供两种高效实现方案：

方案1：单张叠加KDE图（所有类别同图对比） #

先统一预处理数据，再用Seaborn的displot直接生成叠加图，无需循环：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 第一步：统一计算每个图像中各类别的出现次数（替代原循环分组逻辑）
image_counts_df = merged_df.groupby(['image', 'class_name']).size().reset_index(name='per_image_count')

# 生成叠加KDE图
sns.displot(
    data=image_counts_df,
    x='per_image_count',
    hue='class_name',  # 按类别区分颜色
    kind='kde',
    multiple='stack',  # 可选参数：'layer'分层显示、'fill'填充区域
    palette='tab10'
)
plt.title('Top5类别单图出现次数的KDE分布')
plt.xlabel('单图中类别出现次数')
plt.show()

方案2：多图网格（每个类别独立子图） #

提供两种实现方式，按需选择：

方式A：Matplotlib手动控制布局 #

适合需要精细调整子图样式的场景：

# 获取Top5类别列表
top_classes = top_5_class_counts.index.tolist()
n_classes = len(top_classes)

# 创建2行3列的子图网格（适配5个类别）
fig, axes = plt.subplots(nrows=2, ncols=3, figsize=(15, 10))
axes = axes.flatten()  # 转为一维数组方便循环

# 循环绘制每个类别的KDE图
for idx, class_name in enumerate(top_classes):
    class_data = image_counts_df[image_counts_df['class_name'] == class_name]
    sns.kdeplot(data=class_data, x='per_image_count', ax=axes[idx], fill=True)
    axes[idx].set_title(f'{class_name} 出现次数分布')
    axes[idx].set_xlabel('单图中出现次数')

# 隐藏多余的空图（2行3列共6个位置，第6个为空）
for i in range(n_classes, len(axes)):
    axes[i].set_visible(False)

plt.tight_layout()
plt.show()

方式B：Seaborn FacetGrid快速生成 #

代码更简洁，自动处理布局：

g = sns.FacetGrid(
    data=image_counts_df,
    col='class_name',
    col_wrap=3,  # 每行最多显示3个图
    height=4,
    aspect=1.2
)
g.map(sns.kdeplot, 'per_image_count', fill=True)
g.set_titles(col_template='{col_name} 分布')
g.set_xlabels('单图中类别出现次数')
plt.tight_layout()
plt.show()

内容的提问来源于stack exchange，提问作者tucomax