小瓜讲数据分析——使用箱型图判定异常值

箱型图的预备知识

统计学中常用五数概括法来总结数据样本，分别是：

1. 最小值
2. 第一四分位数（下四分位）
3. 第二四分位数（中位数）
4. 第三四分位数（上四分位）
5. 最大值

箱型图也同样用到这些概念（详见《商务与经济统计》）。典型的箱型图(横版)如下

　　图1 箱型图示意（引用《商务与经济统计》p108 figure 3.4）

在绘制箱型图时将第一四分位Q1作为箱底，第三四分位Q3作为箱盖，可以绘制中间的箱（中位数一般作为标记画上）。
四分位间距IQR = Q3-Q1，上界限 = Q3 + 1.5IQR，下界限 = Q1-1.5IQR。如图所示。

但是在一般使用时，见到的箱型图是这样的：

　　　　　图2 箱型图示意（引用箱形图百度百科）

显然上边缘到上四分位与下边缘到下四分位的间距是不一样的。
实际绘制箱型图按以下步骤：

1. 计算下四分位数、中位数、上四分位数
2. 计算上边界、下边界
3. 判断异常值
4. 在集合中除去异常值去最大值、最小值，取作上边缘、下边缘
5. 判断下四分位数与下边缘的大小，如果下四分位数小于下边缘，取下四分位为箱底，否则以下边缘为箱底
6. 判断上四分位数与上边缘的大小，如果上四分位数大于上边缘，取上四分位为箱盖，否则以上边缘为箱盖

例子

data = [185, 195, 200, 201, 210, 223, 750, 1000]，绘制样本的箱型图。
计算（8+1）/4 = 2.25，（8+1）×2/4 =4.5，（8+1）×3/4 = 6.75
所以Q1 = 195×0.25+200×0.25 = 198.75
　　Q2 = 201×0.5+210×0.5 = 205.5
　　Q3 = 223×0.75+750×0.25 = 354.75
上边界 = Q3 + 1.5×IQR = 354.75+1.5×（354.75-205.5）=578.625
下边界 = Q1 - 1.5×IQR = 1.5-1.5×（354.75-205.5）=-25.125
判定750，1000在[-25.125,578.625]以外，所以为异常值
上边缘 = 223 < Q3
下边缘 = 185 < Q1
所以上边缘取Q3，下边缘取185
绘制箱型图如下

文章导引列表：
机器学习

1. 小瓜讲机器学习——分类算法（一）logistic regression(逻辑回归)算法原理详解
2. 小瓜讲机器学习——分类算法（二）支持向量机（SVM）算法原理详解
3. 小瓜讲机器学习——分类算法（三）朴素贝叶斯法（naive Bayes）
4. 待续

数据分析

1. 小呆学数据分析——使用pandas中的merge函数进行数据集合并
2. 小呆学数据分析——使用pandas中的concat函数进行数据集堆叠
3. 小呆学数据分析——pandas中的层次化索引
4. 小呆学数据分析——使用pandas的pivot进行数据重塑
5. 小呆学数据分析——用duplicated/drop_duplicates方法进行重复项处理
6. 小呆学数据分析——缺失值处理（一）
7. 小呆学数据分析——异常值判定与处理（一）
8. 小瓜讲数据分析——数据清洗

数据可视化

1. 小瓜讲数据分析——数据可视化工程（matplotlib库使用基础篇）
2. 小瓜讲matplotlib高级篇——坐标轴设置（坐标轴居中、坐标轴箭头、刻度设置、标识设置）