我来帮你拆解这个问题的核心原因，主要有以下几个关键点：

1. KDE的带宽（Bandwidth）是核心问题 #

Seaborn的kdeplot默认会自动选择带宽（比如Scott规则或Silverman规则），这个规则是为了整体拟合所有数据，但你的混合高斯成分标准差差异极大——从5到50，跨度整整10倍。自动带宽会偏向于拟合样本量更大、方差更大的成分（也就是最后那个μ=500、σ=50、样本数810的成分），这会直接把前面几个窄峰（比如μ=60、σ=5的小峰）给“平滑掉”，导致KDE图看起来和真实的多峰密度完全不一样。

你可以手动指定带宽来验证：比如执行seaborn.kdeplot(x, bw_adjust=0.2)，调小带宽后就能看到原本被掩盖的窄峰；反之，调大带宽会让所有峰更模糊。

2. 样本随机性的次要影响 #

虽然你生成的是符合混合高斯的样本，但毕竟是随机抽样，样本分布和理论真实密度之间必然存在偏差——尤其是样本量相对小的成分（比如第一个成分只有380个样本），抽样误差会更明显。不过这种差异一般不会到“完全不同”的程度，所以带宽问题才是主导因素。

3. 绘图范围和分辨率的差异 #

你提到真实密度图的x范围是-200到1400，但你的实际数据范围大概在45（60-3*5）到650（500+3*50）之间。Seaborn的KDE默认只会绘制数据覆盖的范围（最多轻微扩展），不会延伸到-200这种无数据区域。如果你的真实密度图在无数据区也画了密度，那视觉上自然和KDE图形状差异很大——毕竟KDE不会在没有样本的区域生成明显的密度（除非带宽极大）。

快速验证方法 #

你可以做两个测试来确认：

• 手动设置KDE的带宽为很小的值，比如bw_adjust=0.1，看是否能还原出四个峰的形状；
• 把真实密度图的x范围限制在40到660，和KDE的绘图范围对齐，再对比两者的形状差异。

内容的提问来源于stack exchange，提问作者phynfo