数据挖掘工作中的第一步就是异常值检测，异常值的存在会影响实验结果。箱形图主要是为了检测异常值，箱形图最大的优点就是不受异常值的影响，能够准确稳定地描绘出数据的离散分布情况，同时也利于数据的清洗。

举个例子:

有一组学生成绩数据：

[59, 60, 67, 70, 73, 76, 78, 85, 87, 90, 92, 540]

我们想看一下有没有手误输错的成绩，那么就可以用箱形图来判断

计算成绩数据的5种值：

1.下四分位数Q1

Qi所在位置=i（n+1）/4，其中i=1，2，3。n表示序列中包含的项数。Q1所在的位置=（12+1）/4=3.25Q1=0.75×第三项+0.25×第四项=0.75×67+0.25×70=67.75

2.中位数（第二个四分位数）Q2

Q1所在的位置=2（12+1）/4=6.5Q1=0.5×第六项+0.5×第七项=0.5×76+0.5×78=115

3.上四分位数Q3

Q3所在的位置=3（12+1）/4=9.75Q3=0.25×第九项+0.75×第十项=0.25×87+0.75×90=89.25

4.上限

上限是非异常范围内的最大值。首先要知道什么是四分位距如何计算的？四分位距IQR=Q3-Q1，那么上限=Q3+1.5IQR

5.下限

下限是非异常范围内的最小值下限=Q1-1.5IQR

该学生成绩数据的箱形图可以这样画：

发现有1个异常值，明显是手误打错的

上面这些过程可以直接用pyecharts实现，非常方便

一、基本箱形图

frompyechartsimportoptionsasopts
frompyecharts.chartsimportBoxplot

v1=[
[850,740,900,1070,930,850,950,980,980,880,1000,980],
[960,940,960,940,880,800,850,880,900,840,830,790],
]
v2=[
[890,810,810,820,800,770,760,740,750,760,910,920],
[890,840,780,810,760,810,790,810,820,850,870,870],
]
b=(
Boxplot()
.add_xaxis(["2019年","2020年"])
.add_yaxis("A",Boxplot().prepare_data(v1))
.add_yaxis("B",Boxplot().prepare_data(v2))
.set_global_opts(title_opts=opts.TitleOpts(title="基本箱形图"))
)
b.render_notebook()

prepare_data可以对数据进行处理，得到上述的5种值

二、显示异常值的箱形图

经过研究发现，Boxplot的prepare_data模块不会判断并自动画出异常值，于是我对它进行了改进（源码在文末）

frompyechartsimportoptionsasopts
frompyecharts.chartsimportBoxplot,Scatter,Grid

y_data=[
[850,740,900,1070,930,850,950,980,80,880,1000,980,930,650,760,810,1000,1000,960,960,],
[960,940,960,940,880,800,850,880,900,840,830,790,810,880,880,830,800,790,760,800,],
[880,880,880,860,720,720,620,860,970,950,880,910,850,870,840,840,850,840,840,840,],
[890,810,810,820,800,770,760,740,750,760,910,920,890,860,880,720,840,850,850,780,],
[890,840,780,810,760,810,790,810,820,850,870,870,810,740,810,940,950,800,810,870,],
]
box_plot=Boxplot()
data1,scatter_datas=box_plot.prepare_data(y_data)#对prepare_data模块进行改进，返回两个列表
box_plot=(
box_plot.add_xaxis(xaxis_data=["一班","二班","三班","四班","五班"])
.add_yaxis(series_name="",y_axis=data1)
.set_global_opts(
tooltip_opts=opts.TooltipOpts(trigger="item",axis_pointer_type="shadow"),
xaxis_opts=opts.AxisOpts(
type_="category",
boundary_gap=True,
splitarea_opts=opts.SplitAreaOpts(is_show=False),
splitline_opts=opts.SplitLineOpts(is_show=False),
),
yaxis_opts=opts.AxisOpts(
type_="value",
name="总分数",
splitarea_opts=opts.SplitAreaOpts(
is_show=True,areastyle_opts=opts.AreaStyleOpts(opacity=1)
),
),
)
.set_series_opts(tooltip_opts=opts.TooltipOpts(formatter="{b}:{c}"))
)

scatter=(
Scatter()
.add_xaxis(xaxis_data=["","","","",""])
.add_yaxis(series_name="",y_axis=scatter_datas)
.set_global_opts(
title_opts=opts.TitleOpts(
pos_left="10%",
pos_top="90%",
title="成绩数据异常值",
title_textstyle_opts=opts.TextStyleOpts(
border_color="#999",border_width=1,font_size=14
),
),
yaxis_opts=opts.AxisOpts(
axislabel_opts=opts.LabelOpts(is_show=False),
axistick_opts=opts.AxisTickOpts(is_show=False),
),
)
)

grid=(
Grid()
.add(
box_plot,
grid_opts=opts.GridOpts(pos_left="10%",pos_right="10%",pos_bottom="15%"),
)
.add(
scatter,
grid_opts=opts.GridOpts(pos_left="10%",pos_right="10%",pos_bottom="15%"),
)
)

grid.render_notebook()

对prepare_data模块进行改进，返回两个列表,第一个是和之前的5个值一样，第二个是异常值组成的列表。

-完-

完整代码请关注微信公众号【python数据分析之路】并回复箱形图获取