箱形图，也被称为箱线图，是一种统计学上常用的图表，用于展示一组数据的分布情况。它能够帮助我们快速识别出数据中的异常值、分布的中位数以及数据的离散程度。下面，我们就通过几个经典例题来学习如何绘制和解读箱形图。
例题一：绘制一组数据的箱形图
题目描述： 假设某班级20名学生的成绩如下（单位：分）：85, 90, 78, 92, 88, 95, 80, 70, 90, 85, 92, 93, 87, 88, 79, 96, 94, 82, 80, 83。请绘制该班级学生成绩的箱形图。
解答步骤：
- 收集数据： 首先，我们需要收集好所有的数据点，这里已经给出。
- 计算中位数（Q2）： 将数据从小到大排序后，找到中间位置的数，即中位数。如果数据点有偶数个，取中间两个数的平均值。
- 计算四分位数（Q1和Q3）： 将数据分成两部分，一部分是低于中位数的，另一部分是高于中位数的。分别在这两部分数据中找到中位数，即Q1和Q3。
- 计算IQR（四分位距）： IQR = Q3 - Q1。
- 确定异常值： 如果某个数据点小于Q1 - 1.5 * IQR或者大于Q3 + 1.5 * IQR，那么它被认为是异常值。
- 绘制箱形图： 使用箱形图表示上述计算结果。
代码示例：
import matplotlib.pyplot as plt
import numpy as np
data = np.array([85, 90, 78, 92, 88, 95, 80, 70, 90, 85, 92, 93, 87, 88, 79, 96, 94, 82, 80, 83])
q1 = np.percentile(data, 25)
q3 = np.percentile(data, 75)
iqr = q3 - q1
lower_bound = q1 - 1.5 * iqr
upper_bound = q3 + 1.5 * iqr
# 标记异常值
outliers = data[(data < lower_bound) | (data > upper_bound)]
not_outliers = data[(data >= lower_bound) & (data <= upper_bound)]
plt.boxplot([not_outliers], vert=False)
plt.title("箱形图")
plt.show()
例题二：解读箱形图
题目描述： 根据上面的箱形图，回答以下问题：
- 这组数据的中位数是多少？
- 数据的分布是否对称？
- 数据的离散程度如何？
- 是否存在异常值？
解答步骤：
- 观察箱形图的中心： 箱体的中心表示中位数（Q2）。
- 判断分布对称性： 如果箱体两侧的须（whiskers）长度大致相等，则数据分布对称。
- 评估离散程度： 箱体的高度表示数据的离散程度，越高表示数据越分散。
- 识别异常值： 观察须的末端是否有单独的点，这些点是异常值。
通过以上解答，我们可以轻松地学习如何绘制和解读箱形图。箱形图是一种非常直观的工具，可以帮助我们在短时间内获取大量关于数据分布的信息。