EDA新手关于boxplot解读、形态异常及异常值判断的技术咨询

问题背景 #

我是EDA领域新手，刚成功为数值数据绘制了箱线图，但对其信息解读存在困惑：

箱线图如下：

我想咨询以下问题：

1. 查看箱线图时可获取哪些核心信息？
2. 为何除age外，其余变量的箱线图无典型箱形结构？
3. 如何判断数据是否为异常值？

附所用箱线图绘制代码：

def plot_boxplots_grid(dataframe, n_cols=3, subplot_size=(5, 3)):
    numerical_cols = [col for col in dataframe.columns if dataframe[col].dtype != 'object' and dataframe[col].nunique() > 2]
    n_rows = (len(numerical_cols) + n_cols - 1) // n_cols 
    plt.figure(figsize=(subplot_size[0] * n_cols, subplot_size[1] * n_rows))
    for i, col in enumerate(numerical_cols):
        plt.subplot(n_rows, n_cols, i + 1)  
        sns.boxplot(y=dataframe[col])
        plt.title(col)
    plt.tight_layout() 
    plt.show()

1. 箱线图能提供的核心信息 #

箱线图的核心作用是快速呈现数据的分布特征，核心信息包括：

• 中位数：箱子中间的横线，代表数据的中间位置，一半数据大于它，一半小于它
• 四分位距（IQR）：箱子上下边界分别对应上四分位数（Q3，75%的数据小于它）和下四分位数（Q1，25%的数据小于它），箱子高度即IQR，反映数据的集中程度
• 极值范围：箱子上下延伸的须线，通常覆盖Q1-1.5IQR到Q3+1.5IQR区间内的所有数据
• 异常值：须线之外的独立点，代表偏离整体分布的极端数据

2. 除age外其余变量无典型箱形的原因 #

从图中能看到fnlwgt、capital-gain、capital-loss没有正常箱形，核心原因是数据分布极度倾斜：

• capital-gain和capital-loss的大部分数据集中在0附近，只有极少数样本有非零的极端值，导致箱子被压缩成一条线，分布信息被极端值完全拉偏
• fnlwgt的取值范围极大，且大部分数据集中在左侧小范围区间，同样让箱子被压缩，最终只剩须线和异常点
  另外你代码里筛选数值列的条件是nunique()>2，虽能排除二元数值，但这类严重倾斜的分布依然会被选中，导致画出的箱线图没有典型结构。

3. 异常值的判断标准 #

箱线图里的异常值通常用1.5*IQR规则判定：

1. 计算四分位距：IQR = Q3 - Q1（Q3为上四分位数，Q1为下四分位数）
2. 确定阈值：下界为Q1 - 1.5IQR，上界为Q3 + 1.5IQR
3. 所有小于下界或大于上界的数据点，都会被标记为异常值

这个规则是经验性的，如果你的业务场景有特殊要求，也可以调整倍数（比如用3*IQR定义更极端的异常值）。

内容的提问来源于stack exchange，提问作者Robert