seaborn.regplot的x_bins参数x轴数据分箱规则及说明疑问

官方文档说明：
x_bins: int or vector, optional
将x变量分入离散分箱后估计集中趋势和置信区间。该分箱操作仅影响散点图的绘制方式，回归模型仍基于原始数据拟合。该参数既可以被解析为大小均匀（间距不一定均匀）的分箱数量，也可以被解析为分箱中心的位置。使用该参数时，x_estimator的默认值为NumPy.mean。

你提到的易混淆表述可按照两种传参场景分别理解，对应示例如下： #

场景1：传入整数作为x_bins参数 #

此时程序会根据x变量的取值范围，生成数量等于传入整数、覆盖的x轴数值区间长度相等的分箱，这里的「大小均匀」指的就是分箱的区间长度均匀。标注的「间距不一定均匀」指的是最终绘制出的分箱统计散点的间距，因为如果某个区间内没有有效样本，就不会生成对应散点，最终呈现的散点间距就会出现不均匀的情况。
示例代码：

import seaborn as sns
import numpy as np

# 生成模拟数据
x = np.random.randn(1000)
y = 2 * x + np.random.randn(1000)
# 传入整数5，将x的取值范围平均切为5个区间分箱
sns.regplot(x=x, y=y, x_bins=5)

代码效果：x的取值范围大致在-3到3之间，会被平均切为[-3,-1.8)、[-1.8,-0.6)、[-0.6,0.6)、[0.6,1.8)、[1.8,3]5个区间，每个区间内的样本统计y的均值和置信区间作为散点和误差棒展示，回归曲线仍使用全部1000个原始样本拟合，不受分箱影响。 #

场景2：传入向量作为x_bins参数 #

此时传入向量内的每个数值会被直接识别为分箱的中心位置，你可以根据需求自定义分箱的分布，不需要均匀覆盖x轴全范围，适合重点观察特定x区间数据规律的场景。
示例代码：

# 传入自定义分箱中心，仅统计x接近-2、0、2三个位置的y值分布
sns.regplot(x=x, y=y, x_bins=[-2, 0, 2])

代码效果：程序会按照距离最近原则，把x样本分到和自己数值最接近的分箱中心对应的分组里，分别统计每个分组的y均值和置信区间展示，回归拟合逻辑依然使用全部原始数据。

内容的提问来源于stack exchange，提问作者middle-mood