如何在seaborn绘制小提琴图(violin plot)时忽略异常值？

问题描述 #

请看这张小提琴图：

我展示这些数据点是为了说明小提琴图的长尾由单个离群点导致，我希望忽略这些异常点以得到更简洁的小提琴图。请问可以在调用seaborn绘制小提琴图时直接实现该需求，还是需要我自行先从数据集中移除异常值？

解答 #

两种方案都可以实现，你可以根据自己的使用场景选择：

• 如果仅需要绘图时隐藏长尾、不影响原始数据集用于其他分析，直接调用seaborn的violinplot时调整参数即可，不需要提前处理数据
• 如果后续所有分析都需要排除这部分异常值，可以先做数据清洗再绘图

方案1：绘图时直接调整参数（推荐，不修改原始数据） #

seaborn的violinplot提供了两个原生参数可以实现需求：

1. cut参数：控制小提琴的密度曲线延伸超出数据极值的距离，默认值为2。设置为0时，密度曲线会严格对齐到数据的实际观测边界，不会延伸出额外的长尾：

import seaborn as sns
import matplotlib.pyplot as plt

# 替换为你自己的数据集、分类列、数值列
sns.violinplot(x="category_col", y="value_col", data=your_df, cut=0)
plt.show()

2. clip参数：直接指定绘图时的数值范围，超出该范围的数值不会参与核密度计算，也不会显示，适合需要明确截断异常值的场景。以下示例自动保留数值列1%到99%分位数范围内的数据，忽略两端极值：

# 计算截断范围，可根据需求调整分位数
lower = your_df["value_col"].quantile(0.01)
upper = your_df["value_col"].quantile(0.99)
sns.violinplot(x="category_col", y="value_col", data=your_df, clip=(lower, upper))
plt.show()

方案2：提前移除数据集异常值 #

如果后续分析也需要排除异常值，可以先通过IQR法则过滤数据后再绘图：

def filter_outliers(df, col):
    q1 = df[col].quantile(0.25)
    q3 = df[col].quantile(0.75)
    iqr = q3 - q1
    # 过滤1.5倍IQR之外的异常值，可根据需求调整系数
    return df[(df[col] >= q1 - 1.5*iqr) & (df[col] <= q3 + 1.5*iqr)]

# 得到清洗后的数据集
clean_df = filter_outliers(your_df, "value_col")
sns.violinplot(x="category_col", y="value_col", data=clean_df)
plt.show()

内容的提问来源于stack exchange，提问作者martinako