企业官网建设流程全解析

数据里最会撒谎的往往是那几个离群点，五数概括就是用来治它的

我最早做数据分析的时候，拿到一份数千行的销售流水，第一件事就是算平均值。算出个日均销售额，觉得差不多了，交上去被打回来三次。后来导师跟我说了一句话：“你report里的那个数字，被十几个大促订单抬高了，真实的日常水平根本不是那样。”我才意识到，平均值是个很容易被骗的统计量，而五数概括（Five-Number Summary）和盒图（Box Plot）这套东西，才是看清数据真实面目的基本功。

这篇文章就围绕一个非常经典的数据分析入门话题展开：五数概括是什么、盒图怎么读、异常值怎么用 IQR 方法检测。全部用 Pandas 实战演示，代码放在文章里可以直接跑。适合刚学完 Pandas 基础、想进入真正“分析”阶段的初学者，也适合已经写了几个月 SQL 但没系统接触过描述性统计的同学。

我一直觉得，数据分析入门最容易被忽略的，不是模型，不是算法，而是“你手里这份数据到底长什么样”。五数概括和盒图，就是回答这个问题最锋利的两把刀。

1. 为什么第一个要学的描述性统计是五数概括，而不是平均值

很多人学统计学的第一课就是均值、中位数、众数，然后做数据分析的时候也习惯性先看均值。这个习惯不能说错，但在真实数据面前，均值往往带偏你的直觉。

均值的本质是把所有数据加在一起除以个数。它非常敏感，只要数据里混入哪怕一个极端值，均值就会被“拽”过去。举个最简单的例子：一条街上住了五户人家，年收入分别是 10 万、12 万、11 万、13 万、200 万。均值算下来是 49.2 万，你拿这个数字去描述这条街的普通家庭收入，完全失真。但中位数是 12 万，明显更贴近真实情况。

而五数概括比中位数更进一步，它用五个数字直接“素描”出整组数据的轮廓：

• 最小值（Minimum）
• 第一四分位数（Q1，25% 分位）
• 中位数（Median，Q2，50% 分位）
• 第三四分位数（Q3，75% 分位）
• 最大值（Maximum）

如果你把一组数据按从小到大排序，Q1 表示“前 25% 的数据都小于等于这个值”，Q3 表示“前 75% 的数据都小于等于这个值”。也就是说，中间那 50% 的数据全部落在 Q1 和 Q3 之间。这一段的宽度，我们叫四分位距（IQR，Interquartile Range），等于 Q3 - Q1。

那为什么这五个数字比均值更适合做数据探索的第一步？原因有三点。

第一，抗极端值干扰。最大值和最小值会受离群点影响，但 Q1、Q2、Q3 这三个分位数非常稳定。哪怕数据里有一百个极端大值，只要它们集中在顶部那一小撮，中位数和四分位数几乎不动。

第二，能看出分布形状。如果中位数在 Q1 和 Q3 之间偏左，说明数据整体偏右分布（右尾长）；如果偏右，说明左尾长。你只看均值和标准差是看不出这种偏态的。

第三，它就是盒图的内核。五数概括学会之后，盒图你拿起就能读，异常值检测也能无缝衔接。可以说，五数概括是整个描述性分析的地基。

在 Pandas 里看五数概括特别简单，一行describe()就能输出大部分内容：

import pandas as pd import numpy as np # 构造一份模拟数据，包含正常值和少量离群点 rng = np.random.default_rng(42) data = pd.DataFrame({ "销售额": np.concatenate([ rng.normal(500, 50, 200), # 200个正常值，均值500，标准差50 np.array([900, 950, 1100]) # 3个明显离群点 ]) }) print(data["销售额"].describe())

输出结果大概是：

count 203.000000 mean 517.625616 std 89.452859 min 365.489534 25% 468.830002 50% 498.214458 75% 530.263361 max 1100.000000

25%、50%、75%那三行就是 Q1、中位数、Q3，min和max是首尾。这五个数字一出来，你对这组数据的认知就不再是“均值 517”这么单薄了：中间一半的销售额集中在 468 到 530 之间，但最大到 1100，说明尾部有非常突出的高值——均值 517 明显是被这几个大值抬上去的。

用describe()是偷懒做法，如果只想拿分位数，quantile()更精确：

q1 = data["销售额"].quantile(0.25) q2 = data["销售额"].quantile(0.50) q3 = data["销售额"].quantile(0.75) print(f"Q1={q1:.2f}, 中位数={q2:.2f}, Q3={q3:.2f}")

Pandas 默认的quantile()方法是线性插值法，这意味着它会根据相邻两个排序位置的值估算分位点。这个方法来自 NumPy 的linear模式，对应统计学里常见的第 7 型分位数定义，也是 R 语言里type=7的默认算法。绝大多数工程场景用这个就够了，不需要去折腾其他插值方式。

到这里你会发现一个很有意思的事情：五数概括其实没有用到任何复杂公式，就是排序、找位置、取值。但它描述数据的能力，远超一个均值和标准差组合。

2. 盒图的结构拆解：从四个线段到离群点的视觉逻辑

盒图我第一次看的时候，觉得它画得神神秘秘的，中间一个矩形，上下伸出两根线，线上偶尔还挂着几个零散的小点。后来真正读懂之后才发现，这图就是把五数概括画成了一张图，信息密度极高。

盒图的核心结构是这样拆的：

• 盒子的下边是 Q1，上边是 Q3，盒子内部那条横线是中位数。
• 盒子高度就是 IQR，也就是 Q3 - Q1，它表示中间 50% 数据的跨度。
• 盒子上下各有一条“须”（whisker），上须顶端的位置一般是 Q3 + 1.5 * IQR 和数据实际最大值中较小的那个，下须底端是 Q1 - 1.5 * IQR 和数据实际最小值中较大的那个。
• 须之外的点，就是超过上下须范围的数字，也就是我们常用的盒图法定义的异常值。

这里要注意一个细节：上须的顶端并不是“最大值”。很多人看盒图以为须的端点就是 min 和 max，其实不是。当数据里有特别极端的大值，上须会在 1.5 倍 IQR 的限制位置停住，极端点则单独画出来。这么设计的原因是为了让“正常数据范围”和“异常数据”在视觉上一眼分开。

1.5 这个系数，如果你翻统计学的书，会发现它只是一个经验常数，不是严格的数学定理。它的原理是：当数据来自正态分布时，理论上大约有 99.3% 的数据落在 Q1 - 1.5 * IQR 和 Q3 + 1.5 * IQR 之间。换句话说，如果数据完全服从正态分布，超过这个范围的点非常罕见，概率不到 0.7%。因此用这个标准来标异常，具备基本的统计学依据。

但如果你的数据不是正态分布呢？那 1.5 倍 IQR 就只是一个工程默认值，不代表数学真理。在偏态分布、长尾分布的数据集上，你完全可以根据业务场景调整系数。比如金融反欺诈领域，有人用 3 倍 IQR 来避免把高净值客户误判为异常。这个我们后面实战再展开。

用 Matplotlib 画盒图非常简单：

import matplotlib.pyplot as plt plt.figure(figsize=(8, 4)) plt.boxplot(data["销售额"], vert=True, patch_artist=True, showfliers=True, flierprops=dict(marker='o', markerfacecolor='red', markersize=6)) plt.title("销售额盒图") plt.ylabel("销售额") plt.grid(axis='y', linestyle='--', alpha=0.4) plt.show()

跑完之后你会看到：盒子主体在 468 到 530 之间，中位数线接近盒子中间略微偏上，上须拉着三个小红点（900、950、1100），这就是盒图法识别出来的离群值。

还有一个常用组合是seaborn.boxplot，尤其在需要按分组画图的时候，Seaborn 的表达力更强。Pandas 本身也提供了df.plot.box()方法，本质上是对 Matplotlib 盒图的一层封装。入门阶段我建议三种都试一遍，选一个自己顺手的方式固定下来。

这里额外说一个经验：小样本数据画盒图容易翻车。当数据量只有四五个的时候，Pandas 画盒图有时会报RuntimeWarning，提示没有足够的数据确定须的位置；数据量少于 3 个时，四分位数本身就不稳定，画出来的盒子几乎失去意义。所以盒图适合样本量 >= 20 的场景，样本量太小时，直接用排序后的五数概括列表反而更准确。

读盒图还有一个高级技巧：把多个盒图并排画，对比组间差异。比如对比各销售区域的业绩分布、各时段的响应延迟，并排盒图比柱状图加误差线直观得多。误差线只告诉你均值和波动范围，盒图能告诉你每个组的中位数差异、尾部厚度、离群点分布，信息量完全不在一个层级。

# 分组盒图示例 df_group = pd.DataFrame({ "区域": np.repeat(["A区", "B区", "C区"], 100), "销售额": np.concatenate([ rng.normal(500, 50, 100), rng.normal(600, 80, 100), rng.normal(450, 30, 100) ]) }) df_group.boxplot(column="销售额", by="区域", figsize=(8, 5)) plt.suptitle("") # 去掉自动生成的标题 plt.title("各区域销售额盒图对比") plt.show()

盒图一旦会读，你对一组数据的感知能力会明显提升一个台阶。你不光知道“大概是什么水平”，还能说出“数据散布在什么范围、中间一半有多集中、有没有极端个体”，这在探索性数据分析里是最关键的一步。

3. 用 IQR 方法检测异常值：公式背后的边界逻辑

盒图法检测异常值的底层逻辑就是 IQR 法，也叫 Tukey 法，得名于提出盒图的统计学家 John Tukey——对，就是那个统计学界非常有名的老头，他同时还提出了箱线图和快速排序算法里的“Tukey’s hinge”。工程界把这个方法简化为一条规则：超过 Q3 + 1.5 * IQR 或低于 Q1 - 1.5 * IQR 的点，记为异常值。

先手工推导一遍，你才能真正理解代码里的每一行在干什么。

假设前面那份销售数据：

• Q1 = 468.83
• Q3 = 530.26
• IQR = 530.26 - 468.83 = 61.43

那么上界（upper fence）就是：

530.26 + 1.5 * 61.43 = 622.41

下界（lower fence）就是：

468.83 - 1.5 * 61.43 = 376.68

任何销售额大于 622.41 或小于 376.68 的点，都会被标记为异常值。按这个规则，900、950、1100 是异常值，而数据里那些 400 左右的低值因为还没跌破 376.68，不算异常。

在 Pandas 里实现这个检测逻辑，核心代码只有几行：

def detect_outliers_iqr(series, k=1.5): Q1 = series.quantile(0.25) Q3 = series.quantile(0.75) IQR = Q3 - Q1 lower_bound = Q1 - k * IQR upper_bound = Q3 + k * IQR return (series < lower_bound) | (series > upper_bound) data["is_outlier"] = detect_outliers_iqr(data["销售额"]) print(data[data["is_outlier"]])

上面函数里的k是可以调的系数，默认 1.5。你把 k 改成 3，就得到“极端异常值”的判定标准。很多实际工作中，业务上会把 k=1.5 判出来的叫“潜在异常值”，k=3 判出来的叫“强异常值”。前者需要人为复核，后者几乎可以直接处理。

这里有个很容易踩的坑：异常值检测不能只看单列分布，要结合数据生成的背景。比如监控系统里的响应时间，99% 的请求在 100ms 以内，但压测期间的请求冲到 3000ms，从分布上看是异常值，从业务上看却是真实的高负载信号，不能粗暴删除。

IQR 方法本身也有局限，最明显的是数据量少的时候不稳定，样本量低于 10 时四分位距波动非常大，检测结果基本没有参考价值。另外，如果数据本身是偏态分布，单侧异常值会被系统性地识别出来，而另一侧几乎没有，这时需要结合对数变换或分位数变换后再检测。

还有一个很多人忽略的细节：IQR 方法默认是“无分布假设”的。跟 3σ 法则不同，它不要求数据服从正态分布。这是它的普适性优势，但也意味着它没有利用数据的分布形态信息。如果你明确知道数据服从正态分布，直接用均值 ± 3 倍标准差效果更稳定。

那我们什么时候应该放弃 IQR、改用其他方法？我总结过一套最简单的判断逻辑：

• 如果数据是对称分布或近似对称，用均值 ± 3 标准差；
• 如果数据明显偏态、又说不清属于什么分布，用 IQR；
• 如果数据有强季节性或多模态特征，IQR 效果也很差，更适合用时间序列的异常检测方法。

把公式吃透之后，代码只是壳。上面detect_outliers_iqr这个函数，我建议直接存进你的工具脚本里，以后任何 DataFrame 列都能一行调用。

4. Pandas 完整实战：构造数据、画图、标记异常的一站式流程

理论说完了，这部分跑一遍完整流程。为了让你看到真实效果，我模拟了一份“某电商店铺每日订单量”数据，包含 180 个正常观测和几个促销日拉出来的极端值。

import pandas as pd import numpy as np import matplotlib.pyplot as plt # 设置随机种子，保证结果可复现 rng = np.random.default_rng(2024) # 生成 180 天日常订单量：均值 200，标准差 30 daily = rng.normal(200, 30, 180) # 加入 5 天促销日的大订单量 promotion = np.array([420, 510, 385, 468, 550]) df = pd.DataFrame({ "订单量": np.concatenate([daily, promotion]) }) # 打乱顺序，模拟真实时间序列的随机性 df = df.sample(frac=1, random_state=7).reset_index(drop=True) # 第一步：五数概括 print("=== 五数概括 ===") q1 = df["订单量"].quantile(0.25) q2 = df["订单量"].quantile(0.50) q3 = df["订单量"].quantile(0.75) q0 = df["订单量"].min() q4 = df["订单量"].max() iqr = q3 - q1 print(f"Min = {q0:.2f}") print(f"Q1 = {q1:.2f}") print(f"Median= {q2:.2f}") print(f"Q3 = {q3:.2f}") print(f"Max = {q4:.2f}") print(f"IQR = {iqr:.2f}")

输出会是类似这样：

Min = 131.45 Q1 = 179.82 Median= 200.13 Q3 = 221.56 Max = 550.00 IQR = 41.74

看到没有，中位数 200，Q1 和 Q3 的跨度只有 42 左右，日常订单量相当稳定，但 Max 拉到 550，这个尾巴一眼就不正常。

第二步：画盒图，让异常值“现形”。

plt.figure(figsize=(9, 5)) box = plt.boxplot(df["订单量"], patch_artist=True, flierprops=dict(marker='o', markerfacecolor='red', markersize=7)) box["boxes"][0].set_facecolor("#a0d8ef") plt.axhline(q3 + 1.5 * iqr, color="orange", linestyle="--", linewidth=1.2, label="Upper fence") plt.axhline(q1 - 1.5 * iqr, color="orange", linestyle="--", linewidth=1.2, label="Lower fence") plt.title("每日订单量盒图（含异常值标记）") plt.ylabel("订单量") plt.legend() plt.grid(axis='y', linestyle='--', alpha=0.4) plt.show()

这一步会画出一个盒子和几条横线。红色圆点就是 IQR 规则识别出来的异常值，橙色虚线是上下界，你能直观看到哪些点越过了边界。

第三步：用 IQR 方法量化标记异常值，并输出一个便于人工核查的表格。

def flag_outliers(series, k=1.5): q1 = series.quantile(0.25) q3 = series.quantile(0.75) iqr = q3 - q1 lower = q1 - k * iqr upper = q3 + k * iqr return (series < lower) | (series > upper) df["异常标记"] = flag_outliers(df["订单量"]) df["上界"], df["下界"] = df["订单量"].quantile(0.75) + 1.5 * (df["订单量"].quantile(0.75) - df["订单量"].quantile(0.25)), df["订单量"].quantile(0.25) - 1.5 * (df["订单量"].quantile(0.75) - df["订单量"].quantile(0.25)) # 只查看被标记为异常值的记录 outliers = df[df["异常标记"]] print(f"检测到 {len(outliers)} 个异常值") print(outliers.head(10))

输出会把这 5 个促销日的订单量捞出来：420、510、385、468、550。恭喜，这个流程一次跑通，你已经完成了一次标准的数据质量审查。

第四步，也是最容易被忽略的一步：回归业务背景做判断。检测出异常值之后，不要着急删。我列了一个异常值处理决策清单：

• 如果是录入错误、传感器故障、数据清洗遗漏导致的异常：直接删除或修正。
• 如果是真实业务事件（促销、故障、突发流量）：保留，或在建模时单独打标。
• 如果是建模场景：看模型类型。树模型对异常值不敏感，线性模型和距离类模型非常敏感。

对应到这份订单量数据，那 5 个促销日的订单量肯定不能删，它们是真实业务行为。但如果你要用这份数据训练一个“预测日常订单量”的模型，最好把这 5 天标记为“促销日”单独建模，或者干脆在训练时剔除。

最后把这套流程封装成一个函数，方便复用：

def iqr_summary(series, k=1.5): q1 = series.quantile(0.25) q2 = series.quantile(0.50) q3 = series.quantile(0.75) iqr = q3 - q1 lower = q1 - k * iqr upper = q3 + k * iqr outlier_mask = (series < lower) | (series > upper) return { "count": len(series), "min": series.min(), "q1": q1, "median": q2, "q3": q3, "max": series.max(), "iqr": iqr, "lower_fence": lower, "upper_fence": upper, "outlier_count": outlier_mask.sum(), "outlier_indices": series[outlier_mask].index.tolist() } result = iqr_summary(df["订单量"]) for key, value in result.items(): print(f"{key}: {value}")

这一整个流程下来，你是先理解了统计量的意义，再看到盒图的直观展示，再通过公式批量检测，最后结合业务下结论。这也是我个人认为最合理的分析路径：先理解，再可视化，再量化，再决策。反过来先跑代码再看文档，往往容易把工具用得很熟练但分析没有灵魂。

5. 检测只是第一步：异常值的处理策略与取舍经验

异常值检测出来之后，很多人直接问“该不该删”。这问题没有标准答案，答案完全取决于你的分析目标。我按场景分享一些实际操作中的经验。

场景一：做数据清洗，目标是建一个干净的训练集。

这时候异常值处理的标准是“区分来源”。如果是明显的数据录入错误——比如负数价格、超长字符串、日期 2 月 30 日——直接删。如果是真实的高波动数据，尽量保留，然后用裁剪（winsorize）或者变换的方式来降低影响。我之前在一个图像处理项目里处理像素灰度值，就遇到过传感器偶尔打出的全白噪点，那批数据直接置为缺失值，不参与后续统计。

场景二：做业务分析报告，目标是描述真实情况。

这种情况我不建议删除异常值，而是建议把它们单独拆出来分析。比如前面那个销售数据，正常店铺日均 500，碰到大促能到 1000+，那你的报告应该写“日常销售额中位数 498，波动区间 468~530，大促日销售额可达 900~1100”。这样写，业务方一眼就看明白日常情况和峰值情况，比一个总均值 517 有用得多。

场景三：做算法模型的特征工程。

有些模型（线性回归、逻辑回归、KMeans、PCA）对异常值非常敏感，一个极端值就可能让系数偏移很大。这时候有三个常用处理手段：

1. 删除异常值：适合异常占比很小（<5%）且确认是噪声的情况。
2. 用上下界截断：把超过上界的值拉回上界，低于下界的拉回下界，这叫 winsorize。
3. 做对数变换 / Box-Cox 变换：把右偏的长尾压回正态形态。

这三种手段没有绝对优劣。实战中我会先看异常值的比例，如果占比约 1%~2%，而且业务上能解释，我会倾向截断而不是删除，保留部分信息；如果占比超过 10%，说明你的“正常范围”定义有问题，应该回去重新理解业务，而不是机械地用 1.5 倍 IQR 处理。

另外补充一个检测和处理的协作技巧：永远不要在原数据上原地修改，养成“先标记、后决策、再过录日志”的习惯。我的做法是新增一列异常标记，再写一个字段记录处理方式，比如“删除”“截断”“保留”，这样分析流程是可审计的。等报告做完，回看数据清理日志，你还能知道每一步为什么这么做，不会出现“当时为什么删了那 20 条数据”的尴尬。

坊间还流行一种偏见，觉得“只有回归模型在乎异常值，树模型无所谓”。这个说法只对了一半。随机森林、XGBoost 这类树模型确实对单个异常值有很强的鲁棒性，但当异常值数量偏多或者碰巧聚集在某些特征区间时，树模型在划分节点时依然会被带偏。我的建议是：不要因为模型不敏感就不做异常值分析，尤其是在探索阶段，异常值本身就是情报，有时候那个突兀的点背后藏着一个业务漏洞。

6. 收尾前再分享两个实战技巧

最后说两个我用了很久、非常实用的技巧。

第一个技巧：在 Pandas 里画多个数值列的盒图，一键对比所有特征的离群情况。很多初学者只能单列画图，效率太低。你可以这样写：

# 选择所有数值列 numeric_cols = df.select_dtypes(include=[np.number]).columns df[numeric_cols].boxplot(figsize=(12, 6), rot=45) plt.title("所有数值特征的盒图总览") plt.show()

如果有几十个特征，这样一张总览图能帮你快速定位哪几个字段的异常值比例偏高，再做针对性分析。我在早期做用户画像分析的时候，就是用这种方式从 30 多个字段里两三眼就锁定了“登录次数”和“消费金额”两个高异常字段。

第二个技巧：使用seaborn.boxen画增强箱线图。当数据量很大（几万行以上）且分布比较复杂时，普通盒图只有一个盒子和两条须，很多细节被压缩掉了。Seaborn 的boxenplot（以前叫lvplot）在 IQR 基础上做了多层分位分解，可以看到更细的尾部结构，特别适合探索阶段找规律。

import seaborn as sns sns.boxenplot(x=df["订单量"]) plt.title("订单量增强箱线图") plt.show()

增强箱线图在分析长尾数据、日志耗时、耗时分布时非常好用，推荐大家试一下。

我做了这些年数据分析，回头再看，真正拉开分析水平的往往不是会不会用 XGBoost、会不会调参，而是面对一份陌生数据时，能不能在十分钟内准确地说出它的大致分布、离散程度和可疑点位。五数概括、盒图、IQR 异常值检测，就是练这个基本功最直接的工具。这套东西看似简单，但每一次实战都能帮你看清数据最真实的那张脸。