从‘小费’到‘泰坦尼克’：用Seaborn的boxplot快速探索3个经典数据集的秘密与异常

从‘小费’到‘泰坦尼克’：用Seaborn的boxplot快速探索3个经典数据集的秘密与异常

推开数据分析的大门，最令人着迷的莫过于那些隐藏在数字背后的故事。想象一下，你是一位数据侦探，手握三个充满谜团的经典数据集：记录着餐厅消费细节的"小费数据"、揭示鸢尾花分类奥秘的"花卉数据"，以及承载着泰坦尼克号乘客命运的"生存数据"。而今天，我们将使用Seaborn库中的箱线图（boxplot）这把"放大镜"，逐一解开这些数据集中的异常与秘密。

1. 箱线图：数据侦探的必备工具

箱线图（Boxplot）诞生于1977年，由统计学家约翰·图基发明。它通过五个关键数字——最小值、第一四分位数（Q1）、中位数、第三四分位数（Q3）和最大值，为我们勾勒出数据的分布轮廓。中间的"箱子"涵盖了50%的数据，而"须线"则延伸至正常数据的边界。任何落在1.5倍四分位距（IQR=Q3-Q1）之外的点，都会被标记为异常值。

在Python中，Seaborn库让箱线图的绘制变得异常简单。只需几行代码，我们就能将枯燥的数字转化为直观的视觉呈现。下面是一个基础示例：

import seaborn as sns import matplotlib.pyplot as plt # 加载示例数据集 tips = sns.load_dataset("tips") # 绘制基础箱线图 sns.boxplot(x="total_bill", data=tips) plt.show()

表：箱线图关键元素解析

2. 小费数据集：揭秘餐厅消费的隐藏模式

让我们首先走进餐厅的后厨，分析小费数据集。这个数据集记录了某餐厅244位顾客的消费信息，包括总账单金额、小费数额、顾客性别、是否吸烟、用餐日期和时间等。

2.1 周末的小费异常

一个有趣的问题是：周末的小费是否比工作日更慷慨？我们可以用箱线图来验证这个假设：

# 按星期几分组绘制小费比例箱线图 plt.figure(figsize=(10,6)) sns.boxplot(x="day", y="tip_percentage", data=tips.assign(tip_percentage=tips['tip']/tips['total_bill']*100)) plt.title("不同日期小费比例分布") plt.ylabel("小费比例(%)") plt.show()

• 周四：中位数约15%，分布集中
• 周五：中位数略高，出现几个高异常值
• 周六：分布范围最广，高异常值最多
• 周日：中位数最高，达到17%

注意：计算小费比例能消除账单金额的影响，更公平地比较慷慨程度

2.2 吸烟顾客的消费习惯

另一个有趣的维度是分析吸烟顾客与非吸烟顾客的消费差异：

# 吸烟与非吸烟顾客的账单金额比较 plt.figure(figsize=(8,6)) sns.boxplot(x="smoker", y="total_bill", data=tips) plt.title("吸烟与非吸烟顾客的消费金额对比") plt.show()

• 非吸烟顾客：中位数约16美元，分布相对集中
• 吸烟顾客：中位数略高(18美元)，且存在多个高额异常账单
• 最高异常值：非吸烟组约50美元，吸烟组接近60美元

3. 鸢尾花数据集：寻找植物界的"异类"

转向自然界，鸢尾花数据集记录了三种鸢尾花（Setosa、Versicolor和Virginica）的花萼和花瓣测量数据。这个数据集常被用于分类算法测试，但今天我们关注其中的异常个体。

3.1 花瓣长度的物种差异

比较三种鸢尾花的花瓣长度分布：

iris = sns.load_dataset("iris") plt.figure(figsize=(10,6)) sns.boxplot(x="species", y="petal_length", data=iris) plt.title("不同种类鸢尾花的花瓣长度分布") plt.show()

表：三种鸢尾花花瓣长度统计(mm)

3.2 综合特征的异常检测

结合花瓣长度和宽度，我们可以更全面地识别异常个体：

# 创建综合特征：花瓣面积(近似) iris['petal_area'] = iris['petal_length'] * iris['petal_width'] plt.figure(figsize=(10,6)) sns.boxplot(x="species", y="petal_area", data=iris) plt.title("不同种类鸢尾花的花瓣面积分布") plt.show()

• Versicolor组出现一个明显偏小的异常个体
• Virginica组有两个花瓣面积特别大的样本
• Setosa组所有数据点都在正常范围内

4. 泰坦尼克号：生存背后的数据真相

泰坦尼克号数据集记录了891名乘客的信息和生存状态。让我们用箱线图揭开一些鲜为人知的生存模式。

4.1 舱位与年龄的生存关联

分析不同舱位乘客的年龄分布与生存率：

titanic = sns.load_dataset("titanic") plt.figure(figsize=(12,6)) sns.boxplot(x="pclass", y="age", hue="survived", data=titanic) plt.title("不同舱位乘客的年龄分布(按生存状态)") plt.show()

• 头等舱：幸存者年龄中位数高于遇难者
• 二等舱：年龄分布相似，但幸存者中有更多儿童
• 三等舱：遇难者中有更多年轻成人

4.2 票价支付的异常模式

票价往往反映了舱位等级，但箱线图揭示了一些有趣异常：

plt.figure(figsize=(10,6)) sns.boxplot(x="pclass", y="fare", data=titanic) plt.ylim(0, 300) # 排除极端值以便观察 plt.title("不同舱位的票价分布") plt.show()

• 头等舱：中位数约60英镑，但存在多个超高票价(>200英镑)
• 二等舱：分布相对集中，中位数约15英镑
• 三等舱：大部分票价低于20英镑，但有少数异常高值

提示：这些高价三等舱票可能是团体票或特殊舱位，值得进一步调查

5. 高级技巧：多维度异常检测

5.1 分组箱线图揭示隐藏模式

结合多个变量进行分析，例如同时观察小费数据集的日期和用餐时间：

plt.figure(figsize=(12,6)) sns.boxplot(x="day", y="total_bill", hue="time", data=tips) plt.title("不同日期和用餐时间的消费金额分布") plt.show()

• 周六晚餐的消费金额明显高于午餐
• 周四的午餐和晚餐消费差异最小
• 周日只有晚餐数据，中位数高于周六晚餐

5.2 小提琴图增强分布感知

箱线图有时会掩盖数据的实际分布形状，这时可以结合小提琴图：

plt.figure(figsize=(10,6)) sns.violinplot(x="species", y="petal_length", data=iris, inner="box") plt.title("鸢尾花花瓣长度分布(小提琴图+箱线图)") plt.show()

这种组合既能展示数据的概率密度，又保留了箱线图的统计指标，特别适合展示双峰分布等复杂模式。

6. 异常值处理实战策略

发现异常值后，我们需要决定如何处理它们。以下是几种常见策略：

1. 调查核实：检查数据收集过程，确认是否为记录错误
2. 保留分析：如果是真实但有意义的异常，保留并单独分析
3. 数据转换：应用对数变换等减少异常值影响
4. 边界处理：将超出合理范围的值替换为边界值

例如，对小费数据集中的超高账单，我们可以选择对数变换：

import numpy as np tips['log_total_bill'] = np.log(tips['total_bill']) plt.figure(figsize=(10,5)) sns.boxplot(x="day", y="log_total_bill", data=tips) plt.title("对数变换后的消费金额分布") plt.show()

这种变换后，各日期组的分布更加对称，异常值的影响减小，更适合进行统计分析。