我尝试将数据拟合为泊松分布：
import seaborn as sns
import scipy.stats as stats
sns.distplot(x, kde = False, fit = stats.poisson)
但我收到这个错误：
AttributeError：“poisson_gen”对象没有属性“fit”
其他发行版（gamma 等）运行良好。
The 泊松分布（在 scipy 中实现为scipy.stats.poisson) is a discrete分配。 scipy 中的离散分布没有fit method.
我不太熟悉seaborn.distplot函数，但似乎假设数据来自连续分布。如果真是这样的话，那么即使scipy.stats.poisson had a fit方法，这不是传递给的合适分布distplot.
问题标题是“如何使用seaborn拟合泊松分布？”，因此为了完整起见，这里有一种获取数据及其拟合图的方法。seaborn仅用于条形图，使用@mwaskom的建议来使用seaborn.countplot。拟合实际上很简单，因为泊松分布的最大似然估计只是数据的平均值。
一、进口：
In [136]: import numpy as np
In [137]: from scipy.stats import poisson
In [138]: import matplotlib.pyplot as plt
In [139]: import seaborn
生成一些数据以供使用：
In [140]: x = poisson.rvs(0.4, size=100)
这些是中的值x:
In [141]: k = np.arange(x.max()+1)
In [142]: k
Out[142]: array([0, 1, 2, 3])
Use seaborn.countplot绘制数据：
In [143]: seaborn.countplot(x, order=k, color='g', alpha=0.5)
Out[143]: <matplotlib.axes._subplots.AxesSubplot at 0x114700490>
泊松参数的最大似然估计就是数据的平均值：
In [144]: mlest = x.mean()
Use poisson.pmf()以获得预期概率，并乘以数据集的大小以获得预期计数，然后使用matplotlib。条形是实际数据的计数，点是拟合分布的预期计数：
In [145]: plt.plot(k, poisson.pmf(k, mlest)*len(x), 'go', markersize=9)
Out[145]: [<matplotlib.lines.Line2D at 0x114da74d0>]
