【可视化】箱型图（箱线图）介绍和使用

一、什么是箱型图

箱线图（Boxplot）也称箱须图（Box-whisker Plot），是利用数据中的五个统计量：最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据的一种方法，它也可以粗略地看出数据是否具有有对称性，分布的分散程度等信息，特别可以用于对几个样本的比较。箱形图最大的优点就是不受异常值的影响，能够准确稳定地描绘出数据的离散分布情况，同时也利于数据的清洗。

二、基本概念 

五数概括法：即用下面的五个数来概括数据（最小值；第1四分位数(Q1)；中位数(Q2)；第3四分位数(Q3)；最大值），箱形图与之类似。

图片转自箱形图（python画箱线图） 而其中补充的一点就是：一般异常值用⭕表示，偏激异常值用 * 表示

举个栗子：num=[1,2,3,4,5,6,7,8]

中位数Q2=4.5

下四分分位数Q1=2.75：是怎么计算出来的呢？首先序列长度n=8，(1+n)/4=2.25，说明上四分位数在第2.25个位置数，实际上这个数是不存在的，但我们知道这个位置是在第2个数与第3个数之间的。假设从第2个数到第3个数之间是均匀分布的。那么第2.25个数就是第二个数*0.25+第三个数*0.75，即2*0.25+3*0.75=0.5+2.25=2.75。 
下四分位数Q3=6.25：这个下四分位数所在位置计算方法同上，只不过是(1+n)/4*3=6.75，这个是个介于第六个位置与第七个位置之间的地方。对应的具体的值是0.75*6+0.25*7=6.25。

四分位距IQR=Q3-Q1，上限=（Q3+1.5IQR，max）取最小，下限=（Q1-1.5IQR ，min)取最大。

异常值：比如num=[1,2,3,4,5,6,7,8,20]，20会被识别为异常值。

 

下图可以看出，南山区的房价是最贵的，各个区的，比如南山区、宝安区、福田区、罗湖区、龙华区和龙岗区的异常值特别多，说明这些地图的单价普遍高于均值，猜测可能是中介或者卖家故意提高价格。