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。
它不仅能够快速揭示数据的偏态 、离散程度 ,还能帮助我们识别潜在的数据问题。
本文将从基础绘制到业务实战,系统讲解如何用 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。
它的几何形态主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,可能需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;
- 异常值的分布情况则可以提示数据中是否存在异常情况或特殊规律。
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情况。
python
import plotly.graph_objects as go
import numpy as np
# 生成示例数据
np.random.seed(10)
scores = np.random.randint(1, 100, 100)
# 绘制单变量箱线图
fig = go.Figure(
data=[
go.Box(
y=scores,
boxpoints="outliers",
)
]
)
fig.update_layout(title="学生考试成绩箱线图", yaxis_title="成绩")
fig.show()

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。
这些异常值可能是数据录入错误、特殊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,再看看箱线图的变化。
python
scores = np.append(scores, [-100, 200])

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需要特别关注的部分。它们可能会影响统计分析的结果,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。具体规则如下:
- 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'
,我们可以将所有数据点显示出来,并通过颜色或其他样式来区分正常值和异常值。
python
import plotly.graph_objects as go
import numpy as np
# 生成示例数据
np.random.seed(10)
scores = np.random.randint(1, 100, 100)
scores = np.append(scores, [-100, 200])
fig = go.Figure(
data=[
go.Box(
y=scores,
boxpoints="all",
jitter=0.3,
pointpos=-1.8,
marker_color="rgba(0, 0, 255, 0.7)",
line_color="black",
notched=True,
)
]
)
fig.update_layout(title="学生考试成绩箱线图(高亮异常值)", yaxis_title="成绩")
fig.show()

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,一般需要根据具体情况选择合适的处理方法:
- 删除:如果异常值是由于数据录入错误或不可信的测量结果导致的,可以直接将其删除。
- 修正:如果异常值可能是真实存在的,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:在某些情况下,异常值可能具有重要的业务意义,如特殊事件的影响,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,我们可以直观地比较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。
python
# 示例数据:不同班级学生的考试成绩
data = {
"Class A": [85, 90, 78, 92, 88, 76, 89, 95, 67, 83],
"Class B": [82, 87, 79, 91, 85, 75, 88, 93, 77, 84],
"Class C": [88, 93, 81, 95, 86, 78, 90, 94, 82, 87],
}
fig = go.Figure()
colors = ["blue", "green", "red"]
for class_name, scores in data.items():
fig.add_trace(
go.Box(
y=scores,
name=class_name,
boxpoints="outliers",
line_color="black",
fillcolor=colors.pop(),
)
)
fig.update_layout(
title="不同班级学生考试成绩对比",
yaxis_title="成绩",
xaxis_title="班级",
boxgap=0.3,
) # 调整箱线图之间的间距
fig.show()

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情况。
3. 总结
箱线图作为探索性数据分析中的重要工具,不仅能够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。
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,传递数据分布与组间差异信息,辅助决策制定。