数据科学-箱线图理解

---

箱线图

箱线图概念

箱线图（Box-whisker plot）由John Tukey在1977年提出，用于显示数据的分布特征，箱线图作图要素包括上边缘、上四分位数Q3、中位数、下四分位数Q1、下边缘和异常值。
矩形盒两端边的位置分别对应数据批的上下四分位数（Q3和Q1）。在矩形盒内部中位数（Xm）位置画一条线段为中位线。

箱线图计算

• 下四分位数Q1计算

（1）确定四分位数的位置。Qi所在位置=i（n+1）/4，其中i=1，2，3。n表示序列中包含的项数。
（2）根据位置，计算相应的四分位数。
例如：
Q1所在的位置=（14+1）/4=3.75，介于第三项和第四项之间
Q1=0.25×第三项+0.75×第四项=0.25×17+0.75×19=18.5；

• 上四分位数Q3计算

例如：
Q3所在的位置=3（14+1）/4=11.25，
Q3=0.75×第十一项+0.25×第十二项=0.75×34+0.25×35=34.25

• 四分位距IQR=Q3-Q1
• 上限：上限是非异常范围内的最大值。上限=Q3+1.5IQR
• 下限：非异常范围内的最小值。下限=Q1-1.5IQR
• 上下限两条线段称为异常值截断点，在其范围内的称为内限
• 在Q3+3IQR和Q1－3IQR处画两条线段，称其为外限。处于内限以外位置的点表示的数据都是异常值，其中在内限与外限之间的异常值为温和的异常值（mild outliers），在外限以外的为极端的异常值(extreme outliers)

箱线图用途

1. 识别数据中异常值
2. 判别数据批的偏态和尾重
   对于标准正态分布的样本，只有极少值为异常值。异常值越多说明尾部越重，自由度越小（即自由变动的量的个数）。偏态表示偏离程度，异常值集中在较小值一侧，则分布呈左偏态；异常值集中在较大值一侧，则分布呈右偏态。
3. 比较几批数据的形状
   几批数据的中位数、尾长、异常值、分布区间等形状信息可借由箱线图清晰的看出来。

参考文章

1
2