箱型图的绘制

参考来源：四分位数间距 http://www.360doc.com/content/18/0421/23/34859454_747659940.shtml

                  数据分析中异常值分析 https://blog.csdn.net/qq_16707047/article/details/79895396

 

                         

 

箱型图(Box-plot)又称为盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。在各种领域也经常被使用，常见于品质管理。

箱型图的绘制

1、画数轴，度量单位大小和数据批的单位一致，起点比最小值稍小，长度比该数据批的全距稍长。

2、画一个矩形盒，两端边的位置分别对应数据批的上下四分位数(Q3和Q1，详见下文)。在矩形盒内部中位数(Xm)位置画一条线段为中位线。

3、在Q3+1.5IQR(四分位距)和Q1-1.5IQR处画两条与中位线一样的线段，这两条线段为异常值截断点，称其为内限;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)。四分位距=Q3-Q1。.

4、从矩形盒两端边向外各画一条线段直到不是异常值的最远点，表示该批数据正常值的分布区间。

5、用"〇"标出温和的异常值，用" * "标出极端的异常值。相同值的数据点并列标出在同一数据线位置上，不同值的数据点标在不同数据线位置上。至此一批数据的箱形图便绘出了。统计软件绘制的箱形图一般没有标出内限和外限。

箱型图的作用

识别数据异常值

一批数据中的异常值值得关注，忽视异常值的存在是十分危险的，不加剔除地把异常值包括进数据的计算分析过程中，对结果会带来不良影响;重视异常值的出现，分析其产生的原因，常常成为发现问题进而改进决策的契机。箱形图为我们提供了识别异常值的一个标准:异常值被定义为小于Q1-1.5IQR或大于Q3+1.5IQR的值。虽然这种标准有点任意性，但它来源于经验判断，经验表明它在处理需要特别注意的数据方面表现不错。这与识别异常值的经典方法有些不同。众所周知，基于正态分布的3σ法则或z分数方法是以假定数据服从正态分布为前提的，但实际数据往往并不严格服从正态分布。它们判断异常值的标准是以计算数据批的均值和标准差为基础的，而均值和标准差的耐抗性极小，异常值本身会对它们产生较大影响，这样产生的异常值个数不会多于总数0.7%。显然，应用这种方法于非正态分布数据中判断异常值，其有效性是有限的。箱形图的绘制依靠实际数据，不需要事先假定数据服从特定的分布形式，没有对数据作任何限制性要求，它只是真实直观地表现数据形状的本来面貌;另一方面，箱形图判断异常值的标准以四分位数和四分位距为基础，四分位数具有一定的耐抗性，多达25%的数据可以变得任意远而不会很大地扰动四分位数，所以异常值不能对这个标准施加影响，箱形图识别异常值的结果比较客观。由此可见，箱形图在识别异常值方面有一定的优越性。

判断偏态和尾重

比较标准正态分布、不同自由度的t分布和非对称分布数据的箱形图的特征，可以发现: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。选取不同自由度的t分布的大样本，代表对称重尾分布，当t分布的自由度越小，尾部越重，就有越大的概率观察到异常值。以卡方分布作为非对称分布的例子进行分析，发现当卡方分布的自由度越小，异常值出现于一侧的概率越大，中位数也越偏离上下四分位数的中心位置，分布偏态性越强。异常值集中在较大值一侧，则分布呈现右偏态;;异常值集中在较小值一侧，则分布呈现左偏态。下表列出了几种分布的样本数据箱形图的特征(样本数据由SAS的随机数生成函数自动生成)，验证了上述规律。这个规律揭示了数据批分布偏态和尾重的部分信息，尽管它们不能给出偏态和尾重程度的精确度量，但可作为我们粗略估计的依据。

比较集中数据的形状

比较几批数据的同一数轴上，几批数据的箱形图并行排列，几批数据的中位数、尾长、异常值、分布区间等形状信息便一目了然。在一批数据中，哪几个数据点出类拔萃，哪些数据点表现不及一般，这些数据点放在同类其它群体中处于什么位置，可以通过比较各箱形图的异常值看出。各批数据的四分位距大小，正常值的分布是集中还是分散，观察各方盒和线段的长短便可明了。每批数据分布的偏态如何，分析中位线和异常值的位置也可估计出来。还有一些箱形图的变种，使数据批间的比较更加直观明白。例如有一种可变宽度的箱形图，使箱的宽度正比于批量的平方根，从而使批量大的数据批有面积大的箱，面积大的箱有适当的视觉效果。如果对同类群体的几批数据的箱形图进行比较，分析评价，便是常模参照解释方法的可视图示;如果把受测者数据批的箱形图与外在效标数据批的箱形图比较分析，便是效标参照解释的可视图示。箱形图结合这些分析方法用于质量管理、人事测评、探索性数据分析等统计分析活动中去，有助于分析过程的简便快捷，其作用显而易见。
 

四分位数的计算

第一步

确定四分位数的位置

四分位数是将数列等分成四个部分的数，一个数列有三个四分位数，设下四分位数、中位数和上四分位数分别为Q1、Q2、Q3，则:Q1、Q2、Q3的位置可由下述公式确定:

Q1的位置 1(n+1)/4

Q2的位置 2 (n+1) /4

Q3的位置 3(n+1)/4

式中n表示资料的项数

第二步

根据第一步所确定的四分位数的位置，确定其相应的四分位数。

例1

例如:某车间某月份的工人生产某产品的数量分别为13、13.5、13.8、13.9、14、14.6、14.8、15、15.2、15.4、15.7公斤，则三个四分位数的位置分别为:

Q1的位置 (n+1)/4 =(11+1)/4=3

Q2的位置 (n+1) /2=(11+1)/2=6

Q3的位置 3(n+1)/4=3(11+1)/4=9

即变量数列中的第三个、第六个、第九个工人的某种产品产量分别为下四分位数、中位数和上四分位数。即:

Q1 = 13.8公斤、Q2 = 14.6公斤、Q3 = 15.2公斤

例2

上例中(n+1)恰好为4的倍数，所以确定四分数较简单，如果(n+1)不为4的整数倍数，按上述分式计算出来的四分位数位置就带有小数，这时，有关的四分位数就应该是与该小数相邻的两个整数位置上的标志值的平均数，权数的大小取决于两个整数位置距离的远近，距离越近，权数越大，距离越远，权数越小，权数之和等于1。

例如:某车间某月份的工人生产某产品的数量分别为13、13.5、13.8、13.9、14、14.6、14.8、15、15.2、15.4公斤，则三个四分位数的位置分别为:

Q1的位置 (n+1)/4 =(10+1)/4=2.75

Q2的位置(n+1) /2=(10+1)/2=5.5

Q3的位置3(n+1)/4=3(10+1)/4=8.25

即变量数列中的第2.75项、第5.5项、第8.25项工人的某种产品产量分别为下四分位数、中位数和上四分位数。即:

Q1=0.25×第二项+0.75×第三项=0.25×13.5+0.75×13.8=13.73(公斤)

Q2=0.5×第五项+0.5×第六项=0.5×14+0.5×14.6=14.3(公斤)

Q3=0.75×第八项+0.25×第九项=0.75×15+0.25×15.2=15.05(公斤)

在实际资料中，由于标志值序列中的相邻标志值往往是相同的，因而不一定要通过计算才能得到有关的四分位数。