您正在使用单样本KS检验。您可能需要双样本测试ks_2samp：

>>> from scipy.stats import ks_2samp
>>> import numpy as np
>>> 
>>> np.random.seed(12345678)
>>> x = np.random.normal(0, 1, 1000)
>>> y = np.random.normal(0, 1, 1000)
>>> z = np.random.normal(1.1, 0.9, 1000)
>>> 
>>> ks_2samp(x, y)
Ks_2sampResult(statistic=0.022999999999999909, pvalue=0.95189016804849647)
>>> ks_2samp(x, z)
Ks_2sampResult(statistic=0.41800000000000004, pvalue=3.7081494119242173e-77)

结果可解释如下：
1.您可以根据样本大小将python给出的statistic值与KS-test critical value table值进行比较。当statistic值大于临界值时，两种分布不同。
1.或者，您可以将p-value与显著性水平 a 进行比较，通常a=0.05或0.01（您可以决定，a越低，越显著）。如果p值小于 a，则很可能两个分布不同。

这就是scipy docs所说的：
如果K-S统计量很小或p值很高，则我们不能拒绝两个样本的分布相同的假设。
不能拒绝并不意味着我们确认。

由于scipy 1.5.0，scipy.stats.kstest执行双样本Kolmogorov-Smirnov测试，如果传递给它的第二个参数是一个类似数组的参数（numpy数组，Python列表，pandas Series等）;换句话说，OP的代码产生了预期的结果。这是因为在内部，如果可以从输入解析scipy.stats中的分布，则调用ks_1samp，否则调用ks_2samp。所以kstest包含了两者。

import numpy as np
from scipy import stats

x = np.random.normal(0, 1, 1000)
z = np.random.normal(1.1, 0.9, 1000)

stats.kstest(x, stats.norm.cdf) == stats.ks_1samp(x, stats.norm.cdf)  # True
stats.kstest(x, z) == stats.ks_2samp(x, z)                            # True

如何解读结果？

双样本K-S检验提出的问题是，* 如果两个样本来自相同的分布 *，那么看到所提供的两个样本的可能性有多大。因此，零假设是样本来自相同的分布。
小的p值意味着我们不拒绝零假设。因此，在下面的例子中，p值非常小，这意味着我们拒绝零假设，并得出结论，两个样本x和z不是来自相同的分布。

stats.kstest(x, z)
# KstestResult(statistic=0.445, pvalue=1.8083688851037378e-89, statistic_location=0.6493521689945357, statistic_sign=1)

事实上，如果我们绘制x和z的经验累积分布，它们非常清楚地不重叠，这支持了上面执行的K-S检验的结果。

另一方面，如果两个样本如下所示（均来自具有相同平均值和非常接近的标准差的正态分布），则K-S检验的p值非常大，因此我们不能拒绝零假设，即它们来自相同的分布。

x = np.random.normal(0, 1, 1000)
z = np.random.normal(0, 0.9, 1000)

stats.kstest(x, z)
# KstestResult(statistic=0.04, pvalue=0.4006338815832625, statistic_location=0.07673397024028321, statistic_sign=1)

事实上，如果我们绘制这两个样本的经验累积函数，会有大量的重叠，这支持了K-S检验的结论。

请注意，不拒绝null并不意味着我们得出结论，这两个样本来自相同的分布，它只是意味着我们不能拒绝给定两个样本的null。
生成累积分布图的代码：

import seaborn as sns
import pandas as pd
sns.ecdfplot(pd.DataFrame({'x': x, 'z': z}))