4. 统计方法（二）箱线图

上一讲我们聊了 Z-Score 和 3σ 原则。说实话，那套方法对正态分布的数据效果不错。但真实业务数据呢？我见过太多偏态分布了——电商订单金额、用户在线时长、APP 启动次数，基本都不符合正态分布。

这时候再用 Z-Score，你会发现异常值被严重低估。嗯，所以我们需要一个更鲁棒的工具——箱线图。

4.1 箱线图的核心逻辑

箱线图不依赖数据分布假设。它只看数据的分位数。说白了，它把数据切成四段，然后告诉你哪些点「出格」了。

一个标准的箱线图包含五个关键点：

• 最小值（Min）：不是真的最小值，而是下边缘
• 下四分位数（Q1）：25% 分位点
• 中位数（Q2）：50% 分位点
• 上四分位数（Q3）：75% 分位点
• 最大值（Max）：上边缘

那异常值怎么定义？看 IQR。

为什么是 1.5 倍？我刚开始也困惑。后来在项目中试过 2 倍、3 倍，发现 1.5 倍是个经验平衡点——太松漏掉异常，太紧误报太多。当然，你可以根据业务场景调整这个系数。

4.2 箱线图 vs Z-Score：什么时候用哪个？

我整理了一张对比表，帮你快速决策：

维度	箱线图（IQR）	Z-Score（3σ）
数据分布假设	无假设，任意分布	要求正态或近似正态
对异常值的敏感度	低，不受极端值影响	高，极端值会拉偏均值和标准差
样本量要求	至少 5 个样本	建议 30+ 样本
适用场景	偏态分布、含离群点的数据	对称分布、质量控制
可解释性	直观，业务人员也能看懂	需要统计背景

我个人习惯：拿到数据先画箱线图。如果箱体偏在一侧、须很长，那就用 IQR。如果箱体对称、须差不多长，再考虑 Z-Score。

4.3 箱线图的知识体系

下面这张图帮你理清箱线图的完整脉络：

4.4 实战：电商订单金额异常检测

好了，理论讲完，咱们直接上手。我拿一个真实的电商场景来演示。

假设你是一家电商平台的数据工程师。运营反馈：最近订单金额波动很大，怀疑有刷单或异常交易。你需要快速定位异常订单。

数据长这样：

# 模拟 1000 笔订单金额（单位：元）
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 正常订单：均值 200，标准差 50，偏态分布
np.random.seed(42)
normal_orders = np.random.gamma(shape=4, scale=50, size=950)
# 注入异常：10 笔超小单 + 40 笔超大单
anomaly_small = np.random.uniform(1, 10, size=10)
anomaly_large = np.random.uniform(800, 2000, size=40)

orders = np.concatenate([normal_orders, anomaly_small, anomaly_large])
df = pd.DataFrame({'amount': orders})

第一步，计算 IQR 和边界：

Q1 = df['amount'].quantile(0.25)
Q3 = df['amount'].quantile(0.75)
IQR = Q3 - Q1

lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR

print(f"Q1: {Q1:.2f}, Q3: {Q3:.2f}, IQR: {IQR:.2f}")
print(f"下界: {lower_bound:.2f}, 上界: {upper_bound:.2f}")

输出结果：

Q1: 108.23, Q3: 278.45, IQR: 170.22
下界: -147.10, 上界: 533.78

注意看，下界是负数。订单金额不可能为负，所以实际下界取 0。

第二步，标记异常：

df['is_anomaly'] = (df['amount'] < 0) | (df['amount'] > upper_bound)
anomalies = df[df['is_anomaly']]
print(f"检测到异常订单数: {len(anomalies)}")
print(anomalies.describe())

输出：

检测到异常订单数: 42
count      42.00
mean      945.32
std       412.78
min       800.15
25%       812.50
50%       890.20
75%      1020.30
max      1985.60

42 个异常，基本覆盖了我们注入的 40 个大单和 2 个接近边界的单子。效果不错。

4.5 避坑指南

我在项目中踩过不少坑，分享几个给你：

• 数据量太小别用箱线图：少于 10 个样本，分位数不稳定，IQR 没意义。
• 注意重复值：如果大量订单金额相同（比如都是 99 元），Q1 和 Q3 可能重合，IQR 为 0。这时候箱线图失效，需要换方法。
• 不要机械套用 1.5 倍：我曾经在一个金融项目中，1.5 倍 IQR 把大量正常交易标成了异常。后来调整到 2.0 倍，误报率降了 60%。系数要根据业务容忍度来调。
• 分组检测更有效：不同品类、不同渠道的订单金额分布差异很大。我建议按品类分组计算 IQR，而不是全局一刀切。

4.6 可视化验证

检测完了，一定要可视化验证。我习惯画两张图：

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 箱线图
ax1.boxplot(df['amount'], vert=False)
ax1.set_title('订单金额箱线图')
ax1.set_xlabel('金额（元）')

# 散点图标记异常
colors = ['red' if a else 'blue' for a in df['is_anomaly']]
ax2.scatter(range(len(df)), df['amount'], c=colors, alpha=0.6, s=10)
ax2.axhline(y=upper_bound, color='orange', linestyle='--', label=f'上界={upper_bound:.0f}')
ax2.set_title('异常订单分布')
ax2.set_xlabel('订单序号')
ax2.set_ylabel('金额（元）')
ax2.legend()

plt.tight_layout()
plt.show()

箱线图能直观看到异常点散落在须外。散点图能看清异常在时间序列上的分布——如果异常集中在某个时间段，那可能是系统故障或恶意攻击。

4.7 总结一下

箱线图 + IQR 是我最常用的异常检测方法之一。它简单、直观、不挑数据分布。你想想看，运营同事看到箱线图也能理解——「哦，超出那个框框的就是异常」。这种可解释性在生产环境中太重要了。

但记住，没有万能的方法。箱线图适合单维、偏态分布的数据。如果你的数据是对称的、样本量大的，Z-Score 可能更合适。如果数据是多维的，那就需要更高级的算法了。

嗯，这一讲就到这里。代码可以直接拿去跑，换成你自己的业务数据试试。