Python matplotlib绘制箱线图：参数详解、异常值处理与可视化实战

周予安

发布时间：2026-10-16| 3人浏览过

原创

本文详细介绍如何使用Python matplotlib库绘制箱线图。通过plt.boxplot()方法，展示基础绘制、自定义样式（如颜色、形状、均值线）及异常值标记。重点讲解whis参数对异常值判定标准的影响，并提供提取和处理异常值的代码示例，帮助开发者掌握数据离散分布分析与异常点识别技巧。

1. 关于箱线图及plt.boxplot()方法

箱线图，亦称箱形图或盒须图，是一种用于描述数据离散分布情况的统计图表。其优势在于能够以相对稳定的方式展示数据分布形态，并有效识别数据中的异常值。

在Python的matplotlib库中，绘制箱线图主要依赖plt.boxplot()方法。

该方法支持丰富的参数配置，具体参数说明如下：

参数	描述
x	要绘制箱线图的数据
notch	是否以凹凸形式展现箱线图，默认为非凹凸
sym	指定异常点的形状，默认为加号（+）显示
vert	是否需要将箱形图垂直摆放
whis	指定上下限与上下四分位的距离。默认为1.5倍的四分位差
position	指定箱型图的位置。默认为[0, 1, 2]
widths	指定箱型图的宽度，默认为0.5
patch_artist	是否填充箱体颜色
meanline	是否用线的形式表示均值，默认用点的形式来表示。showmeans为True时这个参数才有意义
showmeans	是否显示均值，默认不显示
showcaps	是否显示箱线图顶端和末端的两条线。默认是不显示的
showbox	是否显示箱体，默认显示
showfliers	是否显示异常值，默认显示
boxprops	设置箱体的属性，如边框色、填充色等。patch_artist为True时填充箱体颜色(facecolor键)才有效
medianprops	设置中位数的属性，如线的类型、粗细等
meanprops	设置均值的属性，如点的大小颜色等
capprops	设置箱型图顶端和末端线条的属性，如颜色、粗细等
whiskerprops	设置须的属性。如颜色、粗细、线的类型等

2. 绘制一幅简单的箱线图

首先，通过设置随机数种子生成三组固定但随机的数据，用于在单张图表中绘制三个独立的箱线个体。

在此示例中，全局字体设置为楷体。

import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure(1, facecolor='#33ff99', figsize=(10, 6))
plt.rcParams['font.sans-serif'] = ['STKAITI']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['axes.facecolor'] = '#cc00ff'
np.random.seed(30)
data1 = np.random.randint(20, 100, 200)
data2 = np.random.randint(30, 120, 200)
data3 = np.random.randint(40, 110, 200)
plt.boxplot([data1, data2, data3])
plt.xticks(range(1, 4), ['A型', 'B型', 'C型'], fontsize=20)
plt.yticks(fontsize=20)
plt.title('箱线图', fontsize=25, color='#0033cc')
plt.show()

图像渲染效果如下所示：

3. 绘制一幅更精致的图像

为了展示箱线图在识别异常值方面的优势，需对数据进行适当调整。前例中数据分布较为均匀，难以产生异常值，无法充分展示箱线图的预期效果。

本例中，使用星号（*）标记异常值，并通过线条标示每组数据的均值。

import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure(1, facecolor='#33ff99', figsize=(10, 6))
plt.rcParams['font.sans-serif'] = ['STKAITI']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['axes.facecolor'] = '#cc00ff'
np.random.seed(110)
data1 = np.random.randint(20, 100, 200)
data2 = np.random.randint(30, 120, 200)
data3 = np.random.randint(40, 110, 200)
# 修改几个值，作为异常值，方便展示
data1[100:102] = [142, 150]
data3[100:103] = [1, 5, 154]
plt.boxplot([data1, data2, data3],
            notch=True,
            sym='*',
            patch_artist=True,
            boxprops={'color': '#ffff00', 'facecolor': '#0066ff'},
            capprops={'color': '#ff3333', 'linewidth': 2},
            showmeans=True,
            meanline=True
            )
plt.xticks(range(1, 4), ['A型', 'B型', 'C型'], fontsize=20)
plt.yticks(fontsize=20)
plt.title('箱线图', fontsize=25, color='#0033cc')
plt.show()

代码执行后的视觉效果如下：

4. 异常值的标准

通过调整whis参数，可以修改判断异常值的标准。默认情况下，超出【均值±1.5倍四分位距】范围的数据点被判定为异常值。

在上述代码基础上进行微调：

将whis参数设置为2。

import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure(1, facecolor='#33ff99', figsize=(10, 6))
plt.rcParams['font.sans-serif'] = ['STKAITI']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['axes.facecolor'] = '#cc00ff'
np.random.seed(110)
data1 = np.random.randint(20, 100, 200)
data2 = np.random.randint(30, 120, 200)
data3 = np.random.randint(40, 110, 200)
# 修改几个值，作为异常值，方便展示
data1[100:102] = [142, 150]
data3[100:103] = [1, 5, 154]
plt.boxplot([data1, data2, data3],
            whis=2,
            notch=True,
            sym='*',
            patch_artist=True,
            boxprops={'color': '#ffff00', 'facecolor': '#0066ff'},
            capprops={'color': '#ff3333', 'linewidth': 2},
            showmeans=True,
            meanline=True
            )
plt.xticks(range(1, 4), ['A型', 'B型', 'C型'], fontsize=20)
plt.yticks(fontsize=20)
plt.title('箱线图', fontsize=25, color='#0033cc')
plt.show()

此时，结果中已不再显示任何异常值：

5. 异常值的输出

上述步骤仅将异常值以可视化形式呈现。在实际数据分析中，往往需要对异常值进行进一步处理，例如将其剔除。

以下Python代码用于提取并输出异常值：

import numpy as np
np.random.seed(110)
data1 = np.random.randint(20, 100, 200)
data2 = np.random.randint(30, 120, 200)
data3 = np.random.randint(40, 110, 200)
# 修改几个值，作为异常值，方便展示
data1[100:102] = [142, 150]
data3[100:103] = [1, 5, 154]

Q1 = np.quantile(a=data3, q=0.25)
Q3 = np.quantile(a=data3, q=0.75)
# 计算 四分位差
QR = Q3 - Q1
# 下限 与 上线
low_limit = Q1 - 1.5 * QR
up_limit = Q3 + 1.5 * QR
print('下限为：', low_limit)
print('上限为：', up_limit)
print('异常值有：')
print(data3[(data3 < low_limit) + (data3 > up_limit)])