Seaborn可视化-箱型图 seaborn.boxplot

箱型图的作用：

1.直观明了地识别数据批中的异常值 其实箱线图判断异常值的标准以四分位数和四分位距为基础，四分位数具有一定的耐抗性，多达25%的数据可以变得任意远而不会很大地扰动四分位数，所以异常值不会影响箱形图的数据形状，箱线图识别异常值的结果比较客观。由此可见，箱型图在识别异常值方面有一定的优越性。

2.利用箱型图判断数据批的偏态和尾重 对于标准正态分布的样本，只有极少值为异常值。异常值越多说明尾部越重，自由度越小（即自由变动的量的个数）；而偏态表示偏离程度，异常值集中在较小值一侧，则分布呈左偏态；异常值集中在较大值一侧，则分布呈右偏态。

函数原型

seaborn.boxplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, width=0.8, dodge=True, fliersize=5, linewidth=None, whis=1.5, notch=False, ax=None, **kwargs)

导入数据

tips = pd.read_csv('tips.csv')tips.head()

绘制total_bill的箱型图

sns.boxplot(x=tips["total_bill"])

以day为x轴，total_bill为y轴绘制箱型图

sns.boxplot(x="day", y="total_bill", data=tips)

以day为x轴，total_bill为y轴，按照smoke区分类别，调色方案为Set3,绘制箱型图

sns.boxplot(x="day", y="total_bill", hue="smoker", data=tips, palette="Set3")

以day为x轴，total_bill为y轴，按照time区分类别,描边宽度为1.5，绘制箱型图

sns.boxplot(x="day", y="total_bill", hue="time", data=tips, linewidth=1.5)

导入鸢尾花数据

iris = pd.read_csv('iris.csv')iris.head()

绘制鸢尾花数据箱型图

sns.boxplot(data=iris, orient="h", palette="Set2")

区分数据类别绘制箱型图

tips["weekend"] = tips["day"].isin(["Sat", "Sun"])ax = sns.boxplot(x="day", y="total_bill", hue="weekend", data=tips, dodge=False)

     以上就是箱型图的分享，下期我们将分享小提琴图seborn.violinplot的绘制方法。

     如果喜欢，请点赞和收藏，这对我非常重要，万分感谢。