请问利用python分别作出csv数据的高斯核密度估计和csv数据的实际概率分布情况，并把它们放在一张图片里？

可以使用Python中的Pandas、Matplotlib和Scipy库来实现这个任务。

首先，我们需要读取CSV文件并将其转换为Pandas DataFrame：

import pandas as pd

data = pd.read_csv('data.csv')

接下来，我们可以使用Scipy库中的gaussian_kde函数来计算数据的高斯核密度估计：

from scipy.stats import gaussian_kde

density = gaussian_kde(data['column_name'])

其中，'column_name'是数据中要进行估计的列的名称。

然后，我们可以使用Matplotlib库来绘制数据的实际概率分布情况：

import matplotlib.pyplot as plt

plt.hist(data['column_name'], bins=20, density=True, alpha=0.5)

其中，'column_name'是数据中要绘制的列的名称，bins参数指定直方图的数量，density参数设置为True以绘制概率分布，alpha参数设置为0.5以使高斯核密度估计和实际概率分布之间的区别更加明显。

最后，我们可以将两个图像放在一张图片里：

import numpy as np

x = np.linspace(data['column_name'].min(), data['column_name'].max(), 100)

fig, ax = plt.subplots()
ax.plot(x, density(x), 'r', linewidth=2, label='Gaussian KDE')
ax.hist(data['column_name'], bins=20, density=True, alpha=0.5, label='Actual Distribution')
ax.legend(loc='best')
plt.show()

其中，x是用于绘制高斯核密度估计的范围，fig和ax用于创建子图，plot函数用于绘制高斯核密度估计的曲线，hist函数用于绘制实际概率分布的直方图，legend函数用于添加图例。

最终的代码如下：

import pandas as pd
from scipy.stats import gaussian_kde
import matplotlib.pyplot as plt
import numpy as np

data = pd.read_csv('data.csv')
density = gaussian_kde(data['column_name'])

x = np.linspace(data['column_name'].min(), data['column_name'].max(), 100)

fig, ax = plt.subplots()
ax.plot(x, density(x), 'r', linewidth=2, label='Gaussian KDE')
ax.hist(data['column_name'], bins=20, density=True, alpha=0.5, label='Actual Distribution')
ax.legend(loc='best')
plt.show()

运行后，将会出现一张包含高斯核密度估计和实际概率分布的图像。