如何用Seaborn更简洁绘制单变量样本的超越概率(1-CDF)图？

阿华AIGC实验室

2026-5-20

Got it, let's break this down clearly. 超越概率本质就是1减去累积分布函数(CDF)（也就是P(X > x)），刚好可以基于你已经熟悉的Seaborn工具实现，结合FacetGrid做分面也非常顺畅。

先讲最简洁优雅的现代实现（推荐）

Seaborn 0.11+推出的ecdfplot直接支持绘制互补ECDF（也就是超越概率），不用手动转换，一步到位。先看单组数据的情况：

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

# 构造示例单列DataFrame（如果你的数据已经是这样，跳过这步）
np.random.seed(42)
df = pd.DataFrame({'latency': np.random.normal(60, 12, 1000)})

# 绘制超越概率图
plt.figure(figsize=(8, 5))
sns.ecdfplot(data=df, x='latency', complementary=True, linewidth=2)
plt.ylabel('超越概率 P(X > x)')
plt.xlabel('Latency')
plt.title('Latency 超越概率曲线')
plt.show()

这里的complementary=True就是告诉Seaborn直接绘制1 - CDF，完美契合超越概率的需求，比手动处理CDF要简洁太多。

结合FacetGrid实现分组分面的超越概率图

如果你的DataFrame有分组字段（比如不同实验场景、不同用户群体），用FacetGrid可以快速生成多子图的超越概率对比：

# 构造带分组的示例DataFrame
np.random.seed(42)
df = pd.DataFrame({
    'latency': np.concatenate([np.random.normal(50, 10, 500), 
                               np.random.normal(70, 15, 500)]),
    'group': ['场景A']*500 + ['场景B']*500
})

# 用FacetGrid分面绘制
g = sns.FacetGrid(df, col='group', height=4, aspect=1.2)
# 在每个子图上绘制互补ECDF（超越概率）
g.map(sns.ecdfplot, 'latency', complementary=True, linewidth=2)
# 统一设置轴标签和标题
g.set_axis_labels('Latency', '超越概率 P(X > x)')
g.set_titles('{col_name}')
plt.tight_layout()
plt.show()

如果你一定要基于distplot实现（兼容旧版Seaborn）

如果你的Seaborn版本较低（<0.11），还在使用distplot，可以通过绘制CDF后反转y轴并转换含义来实现：

# 单组情况
plt.figure(figsize=(8, 5))
# 绘制归一化的累积直方图（即CDF）
sns.distplot(df['latency'], kde=False, hist_kws={'cumulative': True, 'density': True})
ax = plt.gca()
# 反转y轴，将CDF转换为超越概率（1 - CDF）
ax.set_ylim(ax.get_ylim()[::-1])
ax.set_ylabel('超越概率 P(X > x)')
ax.set_xlabel('Latency')
plt.title('基于distplot的超越概率曲线')
plt.show()

# 结合FacetGrid的情况
def plot_exceedance(x, **kwargs):
    sns.distplot(x, kde=False, hist_kws={'cumulative': True, 'density': True}, **kwargs)
    ax = plt.gca()
    ax.set_ylim(ax.get_ylim()[::-1])
    ax.set_ylabel('超越概率 P(X > x)')

g = sns.FacetGrid(df, col='group', height=4, aspect=1.2)
g.map(plot_exceedance, 'latency')
g.set_axis_labels('Latency', '超越概率 P(X > x)')
g.set_titles('{col_name}')
plt.tight_layout()
plt.show()