seaborn kdeplot与plotly distplot差异及不平衡数据集KDE可靠性

两类图虽然都能展示数据分布，但实现逻辑和输出定位完全不同：

• seaborn kdeplot 是纯核密度估计可视化工具，默认直接对原始数据计算核密度，输出平滑后的概率密度曲线，不会默认叠加直方图、轴须图等其他元素。纵轴默认是概率密度值，单条曲线下的面积积分固定为1，符合标准统计上的KDE定义。你提供的seaborn输出就是典型的分组KDE效果：按类别拆分数据集后，每个类别单独做密度估计、单独归一化。
• plotly distplot（该API目前已归入plotly的figure_factory模块，新版本推荐用histogram叠加KDE轨迹实现同类效果）是组合式分布图，默认会同时绘制分箱直方图+KDE平滑曲线。它的KDE默认基于直方图分箱结果计算，不是直接对原始数据做核密度估计，纵轴默认会同时匹配直方图的样本计数刻度，和seaborn纯概率密度的纵轴逻辑不统一。

seaborn KDE 绘制效果：

plotly distplot 绘制效果：

• 解读seaborn KDE时要注意：纵轴数值是概率密度，不是概率，某一区间对应的曲线下面积才是数据落在该区间的概率；分组绘制多类别KDE时，默认每个类别单独归一化，不能直接通过曲线的高度对比不同类别的样本量占比，只能判断单个类别内部的分布形态（比如峰值位置、偏度、长尾情况）。
• 解读plotly distplot时要先区分元素对应尺度：柱形高度一般对应该分箱内的样本计数，叠加的KDE曲线默认匹配计数尺度，不是严格的概率密度；如果要跨类别对比分布形状，需要手动开启KDE的密度归一化参数，和seaborn的尺度对齐后再比较，否则会出现尺度偏差。

KDE是否可靠完全取决于你的分析目的，不存在绝对的适用/不适用：

• 如果分析目标是观察每个类别内部的变量分布特征：只要单类别样本量不低于20，KDE的带宽估计不会出现严重失效，哪怕类别间样本量差异极大，结果也是可靠的。注意此时要保留单类别单独归一化的默认设置，不要用全局归一化。
• 如果分析目标是对比不同类别的分布重叠度、观察全体样本的混合分布：默认的分组KDE会产生严重误导——少数类的密度曲线会被归一化到和多数类相同的面积（也就是和多数类“视觉权重”一致），会严重高估少数类的实际占比。这种场景下要么给KDE添加类别样本量权重，按实际占比缩放曲线高度，要么叠加未归一化的直方图做交叉验证。
• 两类特殊情况要避开：一是单类别样本量低于10时，KDE会产生严重的边缘偏差，甚至会在实际不存在数据的数值区间算出虚假的密度值；二是默认带宽参数在不平衡数据下容易对少数类过度平滑，掩盖少数类的真实分布尖峰，建议手动调整带宽做敏感性测试，不要完全依赖默认参数的结果。

内容的提问来源于stack exchange，提问作者swastika