箱形图须线是什么？如何确定异常值范围？

Question

**箱形图中的须线是什么？如何根据须线确定异常值范围？** 箱形图（Boxplot）中的须线（Whiskers）是指从箱子两端延伸出来的线段，用于表示数据的合理分布范围。通常，须线的上限和下限并非最大值与最小值，而是基于四分位间距（IQR = Q3 - Q1）进行计算。 一般规则是： - 下限（Lower Whisker）：Q1 - 1.5 × IQR - 上限（Upper Whisker）：Q3 + 1.5 × IQR 落在该范围之外的数据点被视为异常值（Outliers）。这种判断方法广泛应用于数据清洗、统计分析和异常检测中，具有较强的鲁棒性。

Answer 1

一、箱形图中的须线是什么？

箱形图（Boxplot）是一种用于展示数据分布情况的统计图表，尤其适用于识别数据中的异常值。它由五个关键统计量组成：最小值、第一四分位数（Q1）、中位数（Q2）、第三四分位数（Q3）和最大值。

在箱形图中，“须线”指的是从箱体两端延伸出去的线段，它们并不直接表示数据的绝对最大值和最小值，而是表示数据的“正常”分布范围的边界。

• 箱体（Box）：由Q1到Q3构成，表示中间50%的数据。
• 中位线：箱体中间的一条线，表示中位数（Q2）。
• 须线（Whiskers）：从箱体两端延伸的线段，表示正常数据范围的边界。

二、如何根据须线确定异常值范围？

箱形图通过四分位间距（Interquartile Range, IQR）来计算须线的上下限，从而判断哪些数据点属于异常值。

1. 首先计算Q1和Q3：
2. • Q1：数据从小到大排序后，位于25%位置的值。
   • Q3：数据从小到大排序后，位于75%位置的值。
3. 计算IQR = Q3 - Q1
4. 确定须线的上下限：
5. • 下限 = Q1 - 1.5 × IQR
   • 上限 = Q3 + 1.5 × IQR
6. 任何小于下限或大于上限的数据点都被视为异常值（Outliers）。

三、须线计算的数学表达式

以下是用于判断异常值的数学公式：

项目	公式
IQR	Q3 - Q1
下限（Lower Whisker）	Q1 - 1.5 × IQR
上限（Upper Whisker）	Q3 + 1.5 × IQR

四、须线与异常值检测的流程图

下面是一个使用Mermaid语法绘制的箱形图须线与异常值判断流程图：

graph TD
            A[开始] --> B[获取原始数据]
            B --> C[排序数据]
            C --> D[计算Q1, Q2, Q3]
            D --> E[计算IQR = Q3 - Q1]
            E --> F[计算下限 = Q1 - 1.5*IQR]
            E --> G[计算上限 = Q3 + 1.5*IQR]
            F --> H[判断数据是否小于下限]
            G --> I[判断数据是否大于上限]
            H --> J{是?}
            I --> K{是?}
            J -- 是 --> L[标记为异常值]
            K -- 是 --> L
            J -- 否 --> M[正常值]
            K -- 否 --> M

五、实际应用中的注意事项

虽然1.5倍IQR是常用的异常值判断标准，但在某些场景下也可以根据业务需求进行调整，例如使用3倍IQR来识别极端异常值。

import matplotlib.pyplot as plt
import numpy as np

# 示例数据
data = np.random.normal(0, 1, 100)
data = np.append(data, [5, 6, 7])  # 添加异常值

# 绘制箱形图
plt.boxplot(data)
plt.title("Boxplot with Outliers")
plt.show()
    

上述代码展示了如何使用Python的Matplotlib库绘制一个包含异常值的箱形图，有助于直观识别数据中的异常点。