【Matplotlib】python绘制箱形图

箱型图

箱形图（boxplot）又称盒须图或箱线图，是一种用来显示某一组数据分散情况的统计图，因形状如箱子而得名。箱形图是由美国的统计学家约翰·图基（JohnTukey）在1977年发明的。
箱形图在各种领域都有应用，尤其常见于品质管理领域。它主要用于反映原始数据的分布特征，还可以实现多组数据分布特征的比较。它是由六个数值点组成的：异常值（outlier）、最小值（min）、下四分位数（Q1，即第25%分位数）、中位数（median，即第50%分位数）、上四分位数（Q3，即第75%分位数）、最大值（max），如图8-25所示。
四分位距离（interquartile range，简称IQR）被定义为Q3-Q1，即Q3和Q1的差值，也就是中间的50%部分。如果某个值比Q1还小1.5倍的IQR，或者比Q3还大1.5倍的IQR，则被视为异常值。依据这个标准，箱形图有时候也被用于异常检测。

为了便于解释，图8-25是水平放置的，实际上，更多的箱形图是垂直放置的。对于垂直放置的箱形图，其绘制方法是：先找出一组数据的上边缘（最大值）、下边缘（最小值）、中位数和两个四分位数（Q1和Q3）；然后，连接两个四分位数画出箱体；再将上边缘（最大值）、下边缘（最小值）与箱体相连，中位数在箱体中间。
下面，我们还是用鸢尾花（Iris）数据集为例来实际说明箱形图的绘制方法。

绘制箱型图

import matplotlib.pyplot as plt
import numpy as np

# 读取数据
data = []
with open('iris.csv', 'r') as file:
    lines = file.readlines()
    for line in lines:
        temp = line.split(',')
        data.append(temp)
# 转换为Numpy数组
data_np = np.array(data)
# 不读取最后一列，并将数值部分转换为浮点数
data_np = np.array(data_np[:, :-1]).astype(float)

# 特征名称
labels = ['sepal length', 'sepal width', 'petal length', 'petal width']
plt.boxplot(data_np, labels=labels)
plt.show()

运行结果

代码分析

代码第03～09行的功能是，“纯手工”读取Iris.csv文件中的数据。自然，如果我们利用Pandas，这部分代码可以简化为寥寥几行。
在以鸢尾花的四个特征为数据绘制出的四个箱形图中，我们可以看到每个箱形图中都有五条横线。从上到下，第一条横线为最大值所在位置，第二条横线是上四分位点（Q3）所在位置，箱体内的横线为中位数（median）所在位置，第四条横线是下四分位点（Q1）所在位置，最下面的横线为最小值（min）所在位置。如前所述，中间箱体为四分位距离IQR（Q3-Q1），大于Q3+1.5IQR，或小于Q1-1.5IQR的点，我们将它们视为异常值。
在sepal width这一特征的箱形图中有四个异常值点。通过箱形图，我们对于中位数、异常值、分布区间等形信息一目了然。数值的分布集中还是分散，观察箱体和线段的长短便能明白。所以，在数据预处理阶段，我们可以先选择使用箱形图来查看数据的特征，以便后续处理。