数据分析（Python）分散情况——箱型图分析

箱型图

箱形图（Box-plot）用于展示一组数据的离散情况，因形状形如箱子而得名。主要用于反映原始数据分布的特征，还可以进行多组数据分布特征的比较。

异常值识别

定义在小于Q_L-1.5IQR或者大于Q_L+1.5IQR的值。Q_L、Q_U分别为下四分位数，上四分位数，IQR为四分位数间距。

数据展示

这是一组xls销量数据，与py文件在同一个文件夹下命名为sale.xls，索引要用到，这样导入可直接写文件名字，不用进行文件夹下的切换。

代码实现

#-*- coding: utf-8 -*-
import pandas as pd

sale = 'sale.xls' #餐饮数据
data = pd.read_excel(sale, index_col = u'日期') #读取数据，指定“日期”列为索引列
import matplotlib.pyplot as plt #导入图像库
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号

plt.figure() #建立图像
p = data.boxplot(return_type='dict') #画箱线图，直接使用DataFrame的方法
x = p['fliers'][0].get_xdata() # 'flies'即为异常值的标签
y = p['fliers'][0].get_ydata()
y.sort() #从小到大排序，该方法直接改变原对象

#用annotate添加注释
#其中有些相近的点，注解会出现重叠，难以看清，需要一些技巧来控制。
#以下参数都是经过调试的，需要具体问题具体调试。
for i in range(len(x)):
  if i>0:
    plt.annotate(y[i], xy = (x[i],y[i]), xytext=(x[i]+0.02,y[i]))
  else:
    plt.annotate(y[i], xy = (x[i],y[i]), xytext=(x[i]+0.02,y[i]))

plt.show() #展示箱线图

因为这里异常值只有一个点，所以annotate函数参数xytext在设置的时候横坐标x[i]+0.02，能表示出来，若有几个异常点在y轴上分布聚集，需要进行参数调整。

箱型图展示

数据统计量

箱型图超过上下界的1个销售额数据可能为异常值，结合具体分析即可，这个值为2314.4.

statistics = data.describe()  # 基本统计量
print(statistics)

count 12.000000
mean 4442.333333
std 1000.583951
min 2314.000000
25% 4064.250000
50% 4607.000000
75% 5225.500000
max 5546.000000

四分位数

关于这个箱型图，四分位数是这么计算的：Q_L=min+1/4(max-min)，Q_u=max-1/4(max-min)

statistics.loc['75%']  # 上四分位数
statistics.loc['25%'] # 下四分位数

四分位数间距

四分位数间距计算：IQR=Q_u-Q_L

statistics.loc['75%'] - statistics.loc['25%']

多组数据的箱型图展示

import pandas as pd
import matplotlib.pyplot as plt

sale = 'sale.xls' #餐饮数据
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
data = pd.read_excel(sale)

data.boxplot()
plt.show()