您可以从轴中提取生成的kde曲线。然后得到最大的y值，并搜索最接近半最大值的x位置：

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

ax = sns.kdeplot(np.random.rand(100))
kde_curve = ax.lines[0]
x = kde_curve.get_xdata()
y = kde_curve.get_ydata()
halfmax = y.max() / 2
maxpos = y.argmax()
leftpos = (np.abs(y[:maxpos] - halfmax)).argmin()
rightpos = (np.abs(y[maxpos:] - halfmax)).argmin() + maxpos
fullwidthathalfmax = x[rightpos] - x[leftpos]
ax.hlines(halfmax, x[leftpos], x[rightpos], color='crimson', ls=':')
ax.text(x[maxpos], halfmax, f'{fullwidthathalfmax:.3f}\n', color='crimson', ha='center', va='center')
ax.set_ylim(ymin=0)
plt.show()

请注意，如果不需要打印的版本，也可以从scipy.stats.gaussian_kde计算kde曲线。在这种情况下，代码可能看起来像：

import numpy as np
from scipy.stats import gaussian_kde

data = np.random.rand(100)
kde = gaussian_kde(data)
x = np.linspace(data.min(), data.max(), 1000)
y = kde(x)
halfmax = y.max() / 2
maxpos = y.argmax()
leftpos = (np.abs(y[:maxpos] - halfmax)).argmin()
rightpos = (np.abs(y[maxpos:] - halfmax)).argmin() + maxpos
fullwidthathalfmax = x[rightpos] - x[leftpos]
print(fullwidthathalfmax)

我不相信有一种方法可以从随机数据图中返回fwhm，而不编写代码来计算它。
考虑一些示例数据：

import numpy as np

arr_x = np.linspace(norm.ppf(0.00001), norm.ppf(0.99999), 10000)
arr_y = norm.pdf(arr_x)

找出最小值和最大值并计算差值。

difference = max(arr_y) - min(arr_y)

求半最大值（在本例中为半最小值）

HM = difference / 2

找到离HM最近的数据点：

nearest = (np.abs(arr_y - HM)).argmin()

计算最近和min之间的距离以获得HWHM，然后乘以2以获得FWHM。