『Plotly实战指南』--箱线图绘制与应用

在数据可视化领域，箱线图（Box Plot）是一种强大的工具，用于展示数据的分布特征、集中趋势以及异常值。
它不仅可以或许快速展现数据的偏态、离散程度，还能帮助我们识别潜在的数据题目。
本文将从基础绘制到业务实战，体系讲解如何用 Plotly 构建交互式箱线图，并掌握其在异常值检测、多组对比分析中的核心应用。
1. 基础绘制

箱线图是一种用于展示一组数据的五数概括（最小值、第一四分位数、中位数、第三四分位数和最大值）的图表。
它的几何形态重要由以下几个部分构成：

• 中位数（Median）：位于箱体中间的横线，表示数据的中间值，将数据分为上下两部分。
  
• 四分位数（Quartiles）：第一四分位数（Q1）位于箱体下边缘，表示数据中有 25% 的值低于此数；第三四分位数（Q3）位于箱体上边缘，表示数据中有 75% 的值低于此数。
  
• 箱体（Box）：由 Q1 和 Q3 构成，其高度表示数据的中间 50% 的分布范围，反映了数据的集中趋势和离散程度。
  
• 触须（Whiskers）：从箱体延伸出的两条线，通常表示数据的正常范围。其长度一般为 1.5 倍的四分位距（IQR = Q3 - Q1），超出此范围的数据点被视为异常值。
  
• 异常值（Outliers）：用单独的点标记，表示那些偏离正常范围的数据点，大概必要进一步分析其成因
  

箱线图的几何形态与数据分布有着密切的关系。例如，

• 箱体越窄，说明数据的集中程度越高；
  
• 触须越短，说明数据的离散程度越小；
  
• 异常值的分布环境则可以提示数据中是否存在异常环境或特别规律。
  

下面的示例，我们构造一组学生成绩的数据，然后用箱线图来展示成绩的分布环境。

1. import plotly.graph_objects as go
2. import numpy as np
4. # 生成示例数据
5. np.random.seed(10)
6. scores = np.random.randint(1, 100, 100)
8. # 绘制单变量箱线图
9. fig = go.Figure(
10.     data=[
11.         go.Box(
12.             y=scores,
13.             boxpoints="outliers",
14.         )
15.     ]
16. )
17. fig.update_layout(title="学生考试成绩箱线图", yaxis_title="成绩")
18. fig.show()

复制代码

上图中，箱体范围：从 Q1 到 Q3，表示数据的中间 50% 的分布范围。箱体的高度越小，说明数据越集中。
如果有异常值的话，会用蓝色的圆点标记，表示超出正常范围的数据点。
这些异常值大概是数据录入错误、特别事件影响或其他原因导致的。
比如，我们给变量scores中添加一些异常的数值，再看看箱线图的变革。

1. scores = np.append(scores, [-100, 200])

复制代码

图中多了2个蓝色的圆点，就是后面添加的两个异常值。
2. 分析应用

2.1. 异常值识别

异常值是数据分析中必要特别关注的部分。它们大概会影响统计分析的效果，甚至误导决策。
箱线图提供了一种直观且有效的方法来识别异常值。
异常值通常是通过四分位距（IQR）来判定的。详细规则如下：

• 小于$ Q1 - 1.5 \times IQR $的数据点被视为下异常值。
  
• 大于$ Q3 + 1.5 \times IQR $的数据点被视为上异常值。
  

Plotly的交互式功能可以让我们更方便地分析异常值。
通过设置boxpoints='all'，我们可以将全部数据点显示出来，并通过颜色或其他样式来区分正常值和异常值。

1. import plotly.graph_objects as go
2. import numpy as np
4. # 生成示例数据
5. np.random.seed(10)
6. scores = np.random.randint(1, 100, 100)
7. scores = np.append(scores, [-100, 200])
9. fig = go.Figure(
10.     data=[
11.         go.Box(
12.             y=scores,
13.             boxpoints="all",
14.             jitter=0.3,
15.             pointpos=-1.8,
16.             marker_color="rgba(0, 0, 255, 0.7)",
17.             line_color="black",
18.             notched=True,
19.         )
20.     ]
21. )
22. fig.update_layout(title="学生考试成绩箱线图（高亮异常值）", yaxis_title="成绩")
23. fig.show()

复制代码

在上述代码中，  jitter参数用于调整数据点的抖动程度，避免数据点重叠；
pointpos参数用于控制数据点的水平位置。
通过这种方式，我们可以清晰地看到哪些数据点是异常值。
在识别出异常值后，一般必要根据详细环境选择合适的处理处罚方法：

• 删除：如果异常值是由于数据录入错误或不可信的测量效果导致的，可以直接将其删除。
  
• 修正：如果异常值大概是真实存在的，但数值有误，可以根据业务逻辑或参考其他数据进行修正。
  
• 保留：在某些环境下，异常值大概具有重要的业务意义，如特别事件的影响，此时应保留异常值并进行进一步分析。
  

2.2. 多组数据箱线图

箱线图不仅可以用于单变量的分析，还可以用于多组数据的对比分析。
通过将不同组的数据绘制在同一张箱线图上，我们可以直观地比力它们的分布特征和差异。
假设我们有一组包含多个分类变量的数据，例如不同班级学生的考试成绩。

1. # 示例数据：不同班级学生的考试成绩
2. data = {
3.     "Class A": [85, 90, 78, 92, 88, 76, 89, 95, 67, 83],
4.     "Class B": [82, 87, 79, 91, 85, 75, 88, 93, 77, 84],
5.     "Class C": [88, 93, 81, 95, 86, 78, 90, 94, 82, 87],
6. }
8. fig = go.Figure()
9. colors = ["blue", "green", "red"]
10. for class_name, scores in data.items():
11.     fig.add_trace(
12.         go.Box(
13.             y=scores,
14.             name=class_name,
15.             boxpoints="outliers",
16.             line_color="black",
17.             fillcolor=colors.pop(),
18.         )
19.     )
21. fig.update_layout(
22.     title="不同班级学生考试成绩对比",
23.     yaxis_title="成绩",
24.     xaxis_title="班级",
25.     boxgap=0.3,
26. )  # 调整箱线图之间的间距
27. fig.show()

复制代码

通过分析分组箱线图，我们可以发现不同班级学生成绩的差异环境。
3. 总结

箱线图作为探索性数据分析中的重要工具，不仅可以或许帮助我们快速把握数据的分布特征，还能有效识别异常值，促进数据清洗与预处理处罚。
在实际应用中，建议：

• 优先清洗数据中的极端异常值，避免误导分析结论。
  
• 在业务报告中，充分利用箱线图的直观性，通报数据分布与组间差异信息，辅助决策订定。
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。