箱线图（Box Plot）理论篇

2020-05-27 本文已影响0人橘猫吃不胖

记得之前应该整理过的，但是找不到了，就再来一次吧

箱形图又称为盒须图、箱线图

是一种用作显示一组数据分散情况的统计图，因形状如箱子得名

箱形图针对的是单一变量，可以用来识别异常值

要理解和使用箱形图，需要搞清楚几个概念：

四分位数（英语：Quartile）是统计学中分位数的一种，即把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值就是四分位数。

有两个点注意下：
从小到大排列
分成四等份

对于这三个分割点：

Q3与Q1的差距又称为四分位距（InterQuartile Range, IQR）

图片来自谷歌搜索结果

这个图呢，大概是说，为什么上边界和下边界之外的数据，也就是离群值（异常值）可以忽略掉的原因，貌似就是传说中的3σ原则

我看这里还会标注离群值和极端值，上、下边界外的值

使用Excel、Python或者其他工具画箱线图很容易，但是，通过这个图到底可以得到些什么启示呢？

感觉使用箱线图，是为了看数据的分布情况，看数据集中在哪里，分布有什么特征，数据是集中在较小值一侧还是较大值一侧，有没有异常值

这些资料都没啥特别的，刚才找到篇文章，狗熊会的，不错，对这个箱线图的使用场景算是来个对比，分享下

箱线图是针对连续性变量使用的

我们也来看个实际例子，我就使用seaborn中的数据集好了

tips = sns.load_dataset('tips')
tips['tip'].plot.box()

因为这里，并没有显示具体的各项指标数据，我们可以结合describe函数

tips['tip'].describe()

也就是说，小费的中位数是2.9美元（不知道单位是啥，就当美元吧）
Q1是2美元，Q3是3.5625美元，50%的数据都集中在这个区间内
异常值都集中在上限

中位数和平均值比较接近

其实用箱线图来展示这个小费的分布，并不是非常好，如果用直方图的话，更加的直观

tips['tip'].plot.hist()

看，数据的集中程度，更加的明显一些

不是所有的数据都适合话箱线图，如果你的箱线图画出来就是一条横线，或者很扁，那就赶紧换一种图吧

通常有2个原因导致这种情况：

样本数据中，存在特别大或者特别小的异常值，这种离群的表现，导致箱子整体被压缩，反而凸显出来这些异常

样本数据特别少，数据一少，就有可能出现各种诡异的情况，导致统计图长得对不起观众。

原作者总结的很好，直接贴过来了，学习下

作者还说了，这里有一种解决办法，就是做对数变换
但是，我目前还不是很理解，做了对数变换，数据不就变了吗，这个展示出来没有影响嘛？又为什么可以这样做呢？
等我研究明白了再说

箱线图到底怎么用

配合着定性变量画分组箱线图，作比较！
我理解的是，在不同维度下，对数据进行对比，可以使用箱线图

作者整理了几点箱线图的特点，这里分享下：

嗯，学习了，还是得专业的人来分享

这一篇理论篇先到这，我去整理下seaborn中绘制boxplot