(代码详解)绘制箱线图+找离群点的具体位置+同时绘制多组数据的箱线图_用python绘制箱线图代码

       箱线图，是一种专门用于显示一组数据分散情况的统计图，通常呈现出一个箱子的形状。这种图形的主要作用是反映原始数据的分布特征，以及进行多组数据分布特征的比较。

      每一个箱子都包含一些关键的数学统计量，比如中位数、上四分位数（Q3）、下四分位数（Q1）、最大值、最小值等，它们共同揭示了数据的中心位置和散布范围。这些信息不仅能分析不同类别数据各层次水平的差异，还能揭示数据间的离散程度、异常值、以及分布差异等信息。

      在python中可以使用`matplotlib`和`seaborn`第三方库，来绘制箱线图

两种方法的区别

      使用 Matplotlib 库中的 pyplot 模块绘制箱线图。它提供了基本的箱线图功能，但可能不如其他专门针对数据可视化的库（如 Seaborn）那么美观和易用。

      使用 Seaborn 库绘制箱线图。Seaborn 是一个基于 Matplotlib 的数据可视化库，它提供了更高级的绘图功能，如更美观的样式、颜色映射等。使用 Seaborn 绘制箱线图可以使图形更加美观和易于理解。

     总结：如果你需要一个简单的箱线图，可以使用Matplotlib ；如果你希望获得更好的视觉效果和更丰富的功能，可以使用 Seaborn。

下面来介绍一下使用Seaborn如何绘制箱线图

(一)基础箱线图

代码(有注释)：

#导入库
import matplotlib.pyplot as plt
import seaborn as sns
 
# 示例数据
data = [50, 60, 70, 80, 90, 100, 66, 85, 90, 79, 85, 140,-5,5]
plt.figure(figsize=(15,6))#创建图形，设置图形的尺寸
sns.set(font='SimHei')#设置显示中文字符,解决Seaborn中文显示问题
 
sns.boxplot(data)#用于绘制箱线图的数据为data
 
plt.tick_params(labelsize=20) #刻度字体大小20
 
plt.show()#画图

结果：

       从上面的箱线图我们可以看到，有三个离群点，其中两个在最下值下方，有一个超过了最大值。

     上面的箱线图是呈水平绘制的，如果想让它旋转90°，竖直呈现呢？代码如下：

代码(有注释)：

#导入库
import matplotlib.pyplot as plt
import seaborn as sns
 
# 示例数据
data = [50, 60, 70, 80, 90, 100, 66, 85, 90, 79, 85, 140,-5,5]
plt.figure(figsize=(15,6))#创建图形，设置图形的尺寸
sns.set(font='SimHei')#设置显示中文字符,解决Seaborn中文显示问题
 
sns.boxplot(y=data)#用于绘制箱线图的数据为data
 
plt.tick_params(labelsize=20) #刻度字体大小20
plt.xlabel("2023年",fontsize=18)
plt.ylabel("分数",fontsize=18)
plt.show()#画图

这里代码只做了一个小调整，原先是sns.boxplot(data),现在把它改为sns.boxplot(y=data)即可。

结果：

     这样箱线图就是我们想要的竖直呈现了

     但是这个箱线图的宽度太宽了，如果想调整一下宽度，并且将表示中位数的这条线改为其它的颜色(如红色)，并在图中表示出均值位置，怎样设置呢？

     请看下边

(二)调整箱线图参数设置

代码：

#导入库
import matplotlib.pyplot as plt
import seaborn as sns
# 示例数据
data = [50, 60, 70, 80, 90, 100, 66, 85, 90, 79, 85, 140,-5,5]
plt.figure(figsize=(5,5))
sns.set(font='SimHei')#设置显示中文字符，解决Seaborn中文显示问题
# # 设置风格
# sns.set(style="whitegrid")
#medianprops={'color': 'red'}设置中位线为红色，showmeans=True控制使得否显示均值
sns.boxplot(y=data,width=0.3,medianprops={'color': 'red'},showmeans=True,
           meanprops={'markerfacecolor': 'yellow', 'markeredgecolor': 'black'})
plt.xlabel("2023",fontsize=18)
plt.ylabel("分数",fontsize=18)
plt.tick_params(labelsize=15) #刻度字体大小20
plt.show()

解释：

①如上的代码，在下面的部分进行了改动，其中

sns.boxplot(y=data,width=0.3,medianprops={'color': 'red'},showmeans=True,
           meanprops={'markerfacecolor': 'yellow', 'markeredgecolor': 'black'})

(1)width=0.3：调整箱线图的宽度，如下箱线图明显比原始箱线图窄了一些，美观了一些

(2)medianprops={'color': 'red'}：将表示中位数的线调成了红色，小伙伴可以自己调一下其他颜色试试

(3)showmeans=True：代表在箱线图中显示均值，其中均值是用一个小三角形来表示(如下图)

(4)meanprops={'markerfacecolor': 'yellow', 'markeredgecolor': 'green'}：表示均值的小三角形，内部用yellow黄色填充，外部轮廓是black，黑色

②同时也调整了图形的大小(长和宽)，如下：

plt.figure(figsize=(5,5))

结果：

 (三)绘制多组数据的箱线图

    (1)目的：

    同时绘制如下多组数据的箱线图

    (2)数据：

    数据有两列，

    第一列是"年份"，有三年，分别是2021、2022、2023年

    第二列是”分数“

    (3)代码：

#导入库
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
 
#导入数据
data=pd.read_excel("C:\\Users\\86159\Desktop\\CSDN\\箱线图数据.xlsx")
 
#创建图例
plt.figure(figsize=(15,6))
 
#设置显示中文字符,解决Seaborn中文显示问题
sns.set(font='SimHei')
 
#medianprops={'color': 'red'}设置中位线为红色，showmeans=True控制使得否显示均值
sns.boxplot(x=data["年份"],y=data["分数"],width=0.5,medianprops={'color': 'red'},showmeans=True,
           meanprops={'markerfacecolor': 'yellow', 'markeredgecolor': 'red'})
#X轴标题
plt.xlabel("年份",fontsize=18)
 
#Y轴标签
plt.ylabel("总分",fontsize=18)
 
plt.tick_params(labelsize=15) #刻度字体大小20
 
#画图
plt.show()

  (4)解释：

  导入的数据有两列，

  第一列是"年份"，有三年，分别是2021、2022、2023年

  第二列是”分数“

  代码有改动的部分如下：x=data["年份"],y=data["分数"]，其它和原先设置的一样

sns.boxplot(x=data["年份"],y=data["分数"],width=0.5,medianprops={'color': 'red'},showmeans=True,
           meanprops={'markerfacecolor': 'yellow', 'markeredgecolor': 'red'})

  (5)结果：

       可以看到利用箱线图来判断离群点的话，2021年有两个离群点，2022年有一个离群点，2023年有一个离群点

补充：这组数据里有2021、2022、2023三年数据，如果只想画其中一年的箱线图，如2021年怎么办？如下：

#导入库
import matplotlib.pyplot as plt
import seaborn as sns
 
 
plt.figure(figsize=(15,6))#创建图例
sns.set(font='SimHei')#设置显示中文字符,解决Seaborn中文显示问题
 
sns.boxplot(x=data[data["年份"]==2021]["年份"],y=data[data["年份"]==2021]["分数"],width=0.5,medianprops={'color': 'red'},showmeans=True,
           meanprops={'markerfacecolor': 'yellow', 'markeredgecolor': 'red'})
 
plt.xlabel("年份",fontsize=18)
plt.ylabel("总分",fontsize=18)
plt.tick_params(labelsize=15) #刻度字体大小20
plt.show()

(四)找离群点的具体位置

思路:

求Z-score分数，设置一个阈值，超过阈值的Z-score分数对应的原始数据为异常值。

代码：

#导入库
import pandas as pd
import numpy as np
from scipy import stats
 
# 计算Z分数
z_scores = np.abs(stats.zscore(data["分数"]))
 
# 设置离群点阈值
threshold = 2
 
# 找到离群点的位置
outliers = data[(z_scores > threshold)]
print(outliers)

结果：

   下图就是输出的判断为缺失值的数据

这样计算出来的离群点即包括了超过最大值的离群点，又包括了超过最小值的离群点，

是因为在计算Z分数时使用了绝对值函数（np.abs）。这意味着离群点的Z分数会被转换为正数，因此大于阈值的离群点也会被包含在内。

       注：设置不同的阈值threshold，输出的离群点个数就会有所不同，这里阈值threshold=2，小伙伴可以自己改一下阈值，看一下结果。

从上图我们可以看出，一共输出了六个离群点，

2021年3个(箱线图中呈现了2个离群点，多了一个离群点)，

2022年2个(箱线图中呈现了1个离群点，多了一个离群点)，

2023年1个(符合上面的箱线图结果)。

如果就想准确找到箱线图中对应的离群点位置呢？请看下边

2021年：

import pandas as pd
import numpy as np
from scipy import stats
 
 
# 计算Z分数
z_scores = np.abs(stats.zscore(data[data["年份"]==2021]["分数"]))
 
# 设置离群点阈值
threshold = 2
 
# 找到离群点的位置
outliers = data[data["年份"]==2021][(z_scores > threshold)]
print(outliers)

其中data[data["年份"]==2021]就是整体数据中2021部分的数据

结果，如下，正好是对应2021年箱线图的两个离群点

2022年：

import pandas as pd
import numpy as np
from scipy import stats
 
 
# 计算Z分数
z_scores = np.abs(stats.zscore(data[data["年份"]==2022]["分数"]))
 
# 设置离群点阈值
threshold = 2
 
# 找到离群点的位置
outliers = data[data["年份"]==2022][(z_scores > threshold)]
print(outliers)

其中data[data["年份"]==2022]就是整体数据中2022部分的数据

结果，如下，正好是对应2022年箱线图的一个离群点

(五)随机生成一组离群点数据

# 生成一组有离群点的数据
np.random.seed(0)
data = np.concatenate([np.random.normal(0, 1, 50), [10, -10, 20]])

这两行代码的意思是将两个数组合并成一个。

首先，`np.random.normal(0, 1, 50)` 生成了一个包含50个服从均值为0、标准差为1的正态分布随机数的数组。

然后，`[10, -10, 20]` 是一个包含三个元素的列表。

最后，`np.concatenate([np.random.normal(0, 1, 50), [10, -10, 20]])` 使用 `np.concatenate()` 函数将这两个数组合并成一个。

最终得到的是由53个元素的数据，其中10，-10，20为离群点。