箱线图怎么判断异常值_箱线图的生物学含义

最新推荐文章于 2025-05-06 10:18:50 发布

乆黎

最新推荐文章于 2025-05-06 10:18:50 发布

阅读量6k

点赞数

CC 4.0 BY-SA版权

文章标签：箱线图怎么判断异常值

本文链接：https://blog.youkuaiyun.com/weixin_35723435/article/details/112156579

本文详细介绍了箱线图的原理和绘制方法，强调了它在揭示数据分布和异常值检测中的作用。通过Anscombe's Quartet和datasauRus数据集的例子，展示了即使统计指标相同，数据分布也可能显著不同。箱线图能直观地展示样本分布，尤其适用于不对称或异常值较多的数据。此外，文中还探讨了箱线图与其他数据可视化方法的比较，以及在生物学研究中的重要性，特别是在转录组学数据比较中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

我们阅读量破万的综述：RNA-seq这十年(3万字长文综述)

给粉丝朋友们带来了很多理解上的挑战，所以我们开辟专栏慢慢介绍其中的一些概念性的问题，上一期：

表达矩阵的归一化和标准化，去除极端值，异常值

描述数据，或者解读数据的时候，不能只关注其“集中性”和“离散性”指标(如均数、中位数、标准差、四分位数等)，还得关注原始数据的分布形式。

箱线图是能同时反映数据统计量和整体分布，又很漂亮的展示图。

一、Anscome's Quartet

Anscombe的四重奏是四个数据集，这些数据集有着几乎相同的描述统计指标(均数，方差，相关性)，但却有着区别明显的数据分布，如下图。

Anscome's Quartet

通过这些数据集的分布，使用 简单的汇总统计数据检查时，所有 四个集合都是 相同的，但在 绘制数据集分布时会有 很大差异。 “数值计算是准确的，可是图表太粗糙了”。不仅要关注数据的统计学指标，更要关注 异常值和其他对统计特性有影响的指标。
而数据分布是在数据分析中常常会被大多人所忽略的一步。 统计学模型都是基于统计分布提出的，如果仅凭一些描述统计学的指标来判断，会造成很大的误差，这时，了解 数据集的分布是很必要的。

二、描述统计与数据分布

datasauRus是Anscome's Quartet的一个进阶，包含有13个描述统计指标相同但分布差异极大的数据集。
通过R语言来探索一下datasauRus：

# 安装datasauRus的R扩展包
install.packages("datasauRus")

# 加载R包
library(datasauRus)
if(requireNamespace("dplyr")){
    
    
  suppressPackageStartupMessages(library(dplyr))
  datasaurus_dozen %>% 
    group_by(dataset) %>% 
    summarize(
      mean_x    = mean(x),
      mean_y    = mean(y),
      std_dev_x = sd(x),
      std_dev_y = sd(y),
      corr_x_y  = cor(x, y)
    )
}