Question

在阅读a related question in StackOverflow的答案时，我看到了matplotlib to compute the wiskers positions and detect outliers中使用的代码：

    # get high extreme
    iq = q3 - q1
    hi_val = q3 + whis * iq
    wisk_hi = np.compress(d <= hi_val, d)
    if len(wisk_hi) == 0 or np.max(wisk_hi) < q3:
        wisk_hi = q3
    else:
        wisk_hi = max(wisk_hi)

现在，else部分非常有意义 - 根据Tukey boxplots的规范，我们发现上四分位数在1.5 IQR内的最高数据。实际上，这是max(wish_hi) - Q3+1.5*IQR以下的最大数据条目。

然而，or部分......我不明白。 if len(wisk_hi) == 0转换为...

if we find no elements below the `hi_val` ...

这种情况如何适用？通过在中位数上分割数据，然后取上半部分的中位数，然后在其上加上1.5 * IQR 来找到Q3 - 怎么可能没有数据更低超过这个值？

如果这是关于一个空数据集，那么or的第二部分也没有意义（因为没有数据，Q3或IQR没有意义）。

可能遗漏了一些明显的东西 - 帮助？

Answer 1

四分位数范围可能存在偏差。＆＃34;上部相邻值可以小于Q3，这迫使晶须从Q3进入盒子。较低的相邻值也可以大于Q1，这迫使晶须从Q1拉入盒子中。＆＃34; （source）

IQR = Q3 - Q1

下限：Q1 - 1.5（Q3 - Q1）

上限：Q3 + 1.5（Q3 - Q1）

查看链接中的数据。

Answer 2

下面的示例输出（实际上是从matplotlib测试数据驱动）显示了问题：

$ ipython2
Python 2.7.11 (default, Mar 31 2016, 06:18:34) 
IPython 4.2.0 -- An enhanced Interactive Python.

In [1]: import numpy as np

In [2]: import matplotlib

In [3]: a=[3, 9000, 150, 88, 350, 200000, 1400, 960]

In [4]: sa=list(sorted(a))

In [5]: sa
Out[5]: [3, 88, 150, 350, 960, 1400, 9000, 200000]

In [6]: globals().update(matplotlib.cbook.boxplot_stats(a)[0])

In [7]: q3
Out[7]: 3300.0

In [8]: iqr
Out[8]: 3165.5

In [9]: q3+1.5*iqr
Out[9]: 8048.25

...所以小于q3+1.5*iqr的最大元素是...... 1400！

如果代码不包含该测试，则上部晶须必须从q3（3300）向下降至1400.

Matplotlib中的Tukey Boxplots - 代码中的异常值逻辑？

2 个答案: