一文读懂箱线图

会跳舞的稻草人

已于 2023-12-13 09:07:30 修改

阅读量3w

点赞数 30

文章标签：算法

于 2023-12-12 15:53:26 首次发布

本文链接：https://blog.csdn.net/A915267479/article/details/134950099

版权

分位数的含义：

以10%分位数为例，10%分位数是指将一组数据按照从小到大的顺序排列后，处于第10%位置的数值。换句话说，它是将数据集分成10等份时，位于第一份的最大值。

计算10%分位数的方法如下：

将数据集按照从小到大的顺序进行排序。
计算出数据集的总个数（n）。
计算出位置索引（index）：index = (10/100) * (n + 1)。
如果index是整数，则10%分位数为排序后的第index个数值。
如果index不是整数，则10%分位数可以通过线性插值来计算。假设index的整数部分为k，小数部分为d，那么10%分位数可以近似表示为：10%分位数 = (1-d) * 第k个数值 + d * 第(k+1)个数值。

boxplot（箱线图，又称为盒须图、盒式图）是在1977年由美国统计学家John Tukey发明，分析数据需要为定量数据。通过箱线图，可以直观的探索数据特征。

箱线图共由五个数值点构成，分别是最小观察值，25%分位数（Q1），中位数，75%分位数（Q3），最大观察值。需要特别说明的是，最小观察值和最大观察值定义如下：

最小观察值 = Q1 – 1.5（IQR）, IQR = Q3 –Q1
最大观察值 = Q3 + 1.5（IQR）, IQR = Q3 –Q1
箱线图中，‘下限’为最小观察值与真实最小值之间的较大值；‘上限’为最大观察值与最大值之间的较小值。
如果数据有存在离群点即异常值，他们大于超出最大或者最小观察值，此时此将离群点以“圆点”形式进行展示。

下图显示了箱型图与正态分布的概率分布函数的比较。盒子本身就是四分位数范围，它包含了50%的数据。此外，请注意每个箱须包含分布的24.65%，而不是精确的25%。箱形图认为超出箱须的观察值是离群值。

何时用箱线图：

个人认为，某一定量数据包含一类含有多个特征的定类数据如一个班的各科（定类）成绩（定量）。通过各科成绩的箱型图分布来对比不同科目之间的差异（数据总体分布，上下限，波动程度，平均值，异常值）。

如何观察：

箱型图可以让我们快速评估分布的集中趋势、方差和偏度。

集中趋势

在下图中，A组的中位线比B组高。事实上，很容易看出A组的整个分布相对于B组来说是向上移动的。（其实就是通过箱体高度，晶须长短，以及二者的位置分布来整体比较，把握数据分布状态）

偏度

要确定一个分布在箱形图中是否呈偏态，要看中位数线在箱体和箱须中的位置。当箱体的中心大约在中位线上，并且上、下须大约等长时，我们就有一个对称的分布（正态分布）。对于标准正态分布的大样本，只有 0.7%的值是异常值,中位数位于上下四分位数的中央,箱形图的方盒关于中位线对称。

如果两边不大致相等，我们的分布就是呈偏态的。当中位数更接近箱体的下限值，且上须更长时，它就是一个右偏分布。请注意，在下面的方框和箱须图中，长须是如何延伸到较高的数值中的，使其成为正偏态。

当中位数更接近箱体的高值时，它是一个左偏的分布，而下边的箱须更长。请注意，长须向低值延伸，使其呈负偏态。

总结一下：将箱型图逆时针旋转90°，此时中位数靠左（数轴负数方向）就是左偏，呈负偏态；中位数靠右（数轴正数方向）就是右偏，呈正偏态。

群组比较

来自R语言里面的boxplot的example。这个箱线图共涉及3个变量。定量变量是牙齿生长长度，体现在图形的纵坐标，也就是箱子展示的内容。第一个定性变量是维他命C的剂量，三个水平（0.5mg，1mg和2mg），体现在横坐标，所以一共有3组箱线图；第二个定性变量是食用的食物，是维C还是橙汁，分别用黄色和橙色展现，所以每组箱线图里又包含两个箱子。