Python-matplotlib统计图之箱线图漫谈

作者：博观厚积

链接：https://www.jianshu.com/p/b2f70f867a4a

來源：简书

（1）

箱线图，又称箱形图（boxplot）或盒式图，不同于一般的折线图、柱状图或饼图等传统图表，只是数据大小、占比、趋势等等的呈现，其包含一些统计学的均值、分位数、极值等等统计量，因此，该图信息量较大，不仅能够分析不同类别数据平均水平差异（需在箱线图中加入均值点），还能揭示数据间离散程度、异常值、分布差异等等。

在python中常用matplotlib的boxplot来绘制，最简单绘制的如下：

import numpy as np

import matplotlib.pyplot as plt

import pandas as pd

np.random.seed(2)  #设置随机种子

df = pd.DataFrame(np.random.rand(5,4),

columns=['A', 'B', 'C', 'D'])#先生成0-1之间的5*4维度数据，再装入4列DataFrame中

df.boxplot() #也可用plot.box()

plt.show()

Paste_Image.png

从图形可以看出，A、B、C、D四组数A、D数据较集中（大部分在上下四分位箱体内），但都有异常值，C的离散程度最大（最大值与最小值之间距离），以均值为中心，B分布都有明显右偏（即较多的值分布在均值的右侧），A、C则有明显左偏。

（2）
从分析的角度来说，上面boxplot最初始图形已经够用，但是在matplotlib库下boxplot函数中包含n多参数，涉及到对框的颜色及形状、线段线型、均值线、异常点的形状大小等等设置，由于大多并不常用，用了几个常用参数，作图如下：

df.boxplot(sym='r*',vert=False,patch_artist=True,meanline=False,showmeans=True)

plt.show()

Paste_Image.png

其中，sym='r*',表示异常点的形状，

vert=False，表示横向还是竖向（True），,

patch_artist=True,（上下四分位框内是否填充，True为填充）

meanline=False,showmeans=True，是否有均值线及其形状，meanline=True时，均值线也像中位数线一样是条红色线段，这样容易与中位数线混淆。

另外，还有其他参数，比如notch表示中间箱体是否缺口，whis为设置数据的范围，showcaps、showbox是否显示边框，可以参见

http://matplotlib.org/api/pyplot_api.html#matplotlib.pyplot.boxplot，如该网页中图形：

Paste_Image.png

左上图是默认图形，中上、右上是显示均值点及形状，左下是是否显示箱体边框，中下是带缺口的箱体，右下是是否显示异常值。

（3）

前边说过，很多参数使用很少，但对于图形来说，可能还能用到的就是美化，比如各条线的颜色，粗细程度等等。这里可用for循环来构造。

f=df.boxplot(sym='r*',patch_artist=True)

for box in f['boxes']:

    # 箱体边框颜色

    box.set( color='#7570b3', linewidth=2)

    # 箱体内部填充颜色

    box.set( facecolor = '#1b9e77' )

for whisker in f['whiskers']:

    whisker.set(color='r', linewidth=2)

for cap in f['caps']:

    cap.set(color='g', linewidth=3)

for median in f['medians']:

    median.set(color='DarkBlue', linewidth=3)

for flier in f['fliers']:

    flier.set(marker='o', color='y', alpha=0.5)

plt.show()

Paste_Image.png

其中，boxes, 是25分位值和75分位值构成的box,
medians, 是中位值的横线, 每个median是一个Line2D对象
whiskers, 是指从box 到error bar之间的竖线.
fliers, 是指error bar线之外的离散点.
caps, 是指error bar横线.
means, 是均值的横线,

（4）
还可以做子图，如我们在最开始的DataFrame数据中加入分类数据列：

df['E'] = np.random.choice(['X', 'Y'], size=20)#加入以X、Y随机分类的E列

print(df)

plt.figure()

df.boxplot(by='E')

plt.show()

Paste_Image.png

这样我们就可以比较，不同类别X、Y在同一列下的数据分布情况及其差异。