图表选择可视化指南：箱线图：看分布与离群（深度版）

展示数据的中位数、四分位、 whisker 与离群点，适合多组分布对比与稳健性展示。

分类：📊 统计图　适用：多算法结果分布对比、灵敏度实验分布、数据分布探查

一、这个图适合谁（适用场景）

多算法结果分布对比
灵敏度实验分布
数据分布探查

二、图表结构要素

箱体=四分位距
中线=中位数
须=1.5IQR
点=离群

三、可视化的底层逻辑

箱线图把一整组分布压缩成"五数概括"（最小、Q1、中位、Q3、最大+离群），用"位置+长度"两个高精度通道高效传达中心、离散与异常。它比"均值±标准差"更稳健：均值和标准差都被极端值拉动，而中位数和四分位的崩溃点（breakdown point）高达 0.5——哪怕一半数据被污染，中位数依然可靠。在建模多算法对比/灵敏度实验中，箱线图能立刻暴露"哪个算法不仅均值高、而且方差小更稳"，这是评委极看重的"稳健性"证据。核心思想：用分位数刻画分布形状，而非只报一个点；小样本时分位数不稳定，应慎用。

四、视觉编码与感知推导

五数概括与须：下四分位 $Q_1$ 、中位 $Q_2$ 、上四分位 $Q_3$ ，四分位距 $\text{IQR}=Q_3-Q_1$ 。须端点

$[\max(Q_1-1.5\,\text{IQR},\ \min),\ \min(Q_3+1.5\,\text{IQR},\ \max)]$

超出须的观测判为离群点，单独绘出——这正是"离群可视"的机制。

稳健性对比：中位数崩溃点 $0.5$ （最多一半数据异常仍稳健），均值崩溃点趋近 $0$ （一个无穷离群即破坏）。故多算法对比用中位数+箱而非均值，更能反映"典型表现"。

组间差异直觉：并排箱线中，组间中位差 $\Delta_{\text{med}}=Q_2^{(a)}-Q_2^{(b)}$ 与 IQR 重叠度决定观感显著性：若两箱 IQR 区间重叠大，说明分布差异不显，需统计检验（如 Mann-Whitney）佐证，不能仅凭中位差下结论。

样本量约束：分位数估计的标准误随 $n$ 增大而减小；小 $n$ （如 $<10$ ）时 $Q_1,Q_3$ 极不稳定，箱子形状不可信，应改用点图/散点。

五、怎么画（步骤）

多组对比并排画，直观看中心与离散。
结合散点/小提琴图看真实形状。
离群点单独标出并解释来源。
样本量太小箱线意义弱，谨慎用。
配均值线辅助。

六、何时用 / 何时不用 / 常见丑图

何时用：『分布长啥样、稳不稳、有无离群』。
何时不用：只要单点均值 → 柱状+误差棒。
常见丑图：样本太小硬画、不标离群。

七、常见坑

小样本箱线无意义
忽略离群解释
与均值混淆

八、画图自检清单

多组并排对比
离群已解释
样本量足够
配均值/散点辅助

九、配套资源与搭配

敏感性分析与误差分析
Python 数据可视化模板
分类与聚类怎么选

本指南由 MCM520 资料站自动生成（深度版），配套论文图表规范与可视化模板可在资源页下载。

十、实战案例——Python 绘制 + 图效果

箱线图用最小值、Q1、中位数、Q3、最大值五个统计量，瞬间展示数据分布的全貌。

案例场景：比较四种评价方法（传统法、AHP、熵权、TOPSIS）在 100 次模拟中的得分分布。
从箱线图可以看：中位数高低、数据是否集中、有无离群点。

完整代码（Python + matplotlib）

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(2026)
data = [
    np.random.normal(75, 10, 100),   # 传统法
    np.random.normal(80, 8, 100),    # AHP法
    np.random.normal(83, 7, 100),    # 熵权法
    np.random.normal(85, 6, 100),    # TOPSIS
]
labels = ['传统法', 'AHP法', '熵权法', 'TOPSIS']

plt.figure(figsize=(8, 4))
bp = plt.boxplot(data, labels=labels, patch_artist=True, widths=0.5)
colors = ['#f59e0b', '#2563eb', '#16a34a', '#7c3aed']
for patch, c in zip(bp['boxes'], colors):
    patch.set_facecolor(c)
    patch.set_alpha(0.35)
plt.ylabel('综合得分', fontsize=12)
plt.title('四种方法得分分布箱线图', fontsize=14, fontweight='bold')
plt.grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.show()

运行效果图

图X4 四种方法得分分布箱线图

本指南由 MCM520 资料站生成，配套 Python 代码可直接运行。