摘要：seaborn.kdeplot()和seaborn.ecdfplot()都不允许您直接访问其图表中拟合的模型曲线。但是，使用下面的链接代码，应该可以通过直接运行底层seaborn代码来复制结果。
核密度估计

seaborn库包含适合_statistics.py中的KDE的代码。在该脚本中，_fit方法利用scipy的实现，如下所示：

from scipy.stats import gaussian_kde

# note: `bw_method`, `weights`, and `factor` are arguments which can be
# specified in seaborn.kdeplot()
def _fit(self, fit_data, weights=None):
    """Fit the scipy kde while adding bw_adjust logic and version check."""
    fit_kws = {"bw_method": self.bw_method}
    if weights is not None:
        fit_kws["weights"] = weights

    kde = gaussian_kde(fit_data, **fit_kws)
    kde.set_bandwidth(kde.factor * self.bw_adjust)

    return kde

不幸的是，_fit()没有被分配给任何属性，无论是在_statistics.py还是在distributions.py中，其中seaborn.kdeplot() id已定义。因此，**虽然不可能直接从图表中检索拟合的KDE，但拟合KDE的代码非常简单，您可以直接使用上面的代码轻松复制拟合曲线。

经验累积分布函数（ECDF）

首先，我假设Empirical Fourier是指ECDF。与KDE类似，统计代码可以在_statistics.py中找到，seaborn.ecdfplot()的实现在distributions.py中。和以前一样，我无法在类中识别出任何允许您从图表中检索信息的属性。但是，**和KDE一样，代码定义应该允许您直接复制经验累积分布函数。**获取ECDF的seaborn代码如下：

def _eval_univariate(self, x, weights):
    """Inner function for ECDF of one variable."""
    sorter = x.argsort()
    x = x[sorter]
    weights = weights[sorter]
    y = weights.cumsum()

    if self.stat in ["percent", "proportion"]:
        y = y / y.max()
    if self.stat == "percent":
        y = y * 100

    x = np.r_[-np.inf, x]
    y = np.r_[0, y]

    if self.complementary:
        y = y.max() - y

    return y, x