箱线图怎么判断异常值_极简统计学---箱线图[1]

阅读全文大概需要4.5分钟, 建议先收藏

一.什么是箱线图?

箱线图(Box Plot)也就是箱须图(BoxWhisker Plot), 它是由一组或多组连续型定量数据的「最小观测值」、第一四分位数、中位数、第三分位数和「最大观测值」来反映数据的分布情况的统计图，因外形似箱子而得名。(又称盒图，箱图）

数据进行量化处理时分为 连续型数据和 离散型数据。
像骰子的数字[只能为1-6的整数]，汽车的销量[只能为整数]等只能取跨越型数值，称为离散型数据；身高[可以为170cm,180.3cm,190.05cm...]、体重、时间都可以取连续数值的数据称为连续型数据。

箱线图的外形及基本组成:

• 数据排序后分成4等份，每份包含25%的数据
• 箱子中包含50%的数据
• 箱子中间的直线代表中位数(median)，也就是第2四分位数(Q2)
• 箱子上边缘代表第3四分位数(Q3)；下边缘代表第1四分位数数(Q1)
• 最小观测值和最大观测值是除异常值外的最小和最大数据值
• X 代表平均数，异常值用圆圈表示

关于最小，最大观测值的命名问题，为免歧义，文末单独进行了说明

如果要了解箱线图的构成，就必须先了解一些关于数据的代表值的定义，比如说中位数、平均数、四分位数、平均值......

二.数据的代表值

研究数据整体的离散性时，最小值(mimimum)，第一四分位数(1st quartile)、中位数(median)、第三四分位数(3rd quartile)、最大值(maximum)称为"5大要数", 分别加以说明。

为了方便说明，假设我们在上海调研12位IT从业者，工作多久后会年薪过百万，得到样本数据T：{5, 7, 6, 28, 8, 12, 11, 13, 12, 14, 16, 15}，数据单位为年。（数据仅供参考，切莫自我带入!）

1. 最大值(Max)，最小值(Min)：数据排序后，位于数据的两端

首先样本T从小到大排序后为{5, 6, 7, 8, 11, 12, 12, 13, 14, 15, 16, 28} ；很明显样本的最大值为28，最小值为4。

2. 中位数：将数据按大小排列后，位于最中间的值。如数据个数为N，则排序后，中位数在(N+1)/2 位置上。

• 当数据个数为奇数：

例如数据组A：{10, 2