数据可视化：直方图、箱线图、概率图（Q-Q图）

各位工程师朋友，咱们接着聊。上一章我们把数据清洗干净了，但光看一堆数字，你很难看出门道。数据可视化，说白了就是给数据「拍X光片」——让隐藏的分布特征、异常点和趋势，一眼就能揪出来。

我个人习惯，拿到任何测试数据，第一件事不是建模，而是画图。你想想看，一个直方图能告诉你数据是不是偏态，一个箱线图能暴露离群点，一个Q-Q图能判断它是不是正态分布。这些信息，比任何统计检验都直观。

4.1 直方图：看数据的「身材」

直方图是最基础的分布图。它把数据分成若干区间（bins），然后数每个区间里有多少个点。我在项目中遇到过，有人把bins设成默认值，结果把双峰分布画成了单峰，差点误导了整批产品的寿命判断。

避坑指南： 我曾经吃过这个亏。bins数量太少，会掩盖细节；太多，又全是噪声。一般建议用 sqrt(n) 或 sturges 规则来算。

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

# 生成模拟的寿命测试数据（单位：小时）
np.random.seed(42)
data = np.random.weibull(1.5, 1000) * 1000

# Matplotlib 直方图
plt.figure(figsize=(10, 6))
plt.hist(data, bins=30, edgecolor='black', alpha=0.7, color='steelblue')
plt.title('寿命测试数据直方图 (Matplotlib)')
plt.xlabel('寿命 (小时)')
plt.ylabel('频数')
plt.grid(True, alpha=0.3)
plt.show()

# Seaborn 直方图（更美观，自带密度曲线）
plt.figure(figsize=(10, 6))
sns.histplot(data, bins=30, kde=True, color='coral', edgecolor='black')
plt.title('寿命测试数据直方图 (Seaborn + KDE)')
plt.xlabel('寿命 (小时)')
plt.ylabel('频数')
plt.show()

嗯，这里要注意：Seaborn的 kde=True 会叠加一条核密度估计曲线，帮你更平滑地看分布趋势。我个人偏爱这种方式，尤其当数据量不大时，KDE曲线比直方图更稳定。

4.2 箱线图：揪出「捣乱分子」

箱线图，也叫盒须图。它用五个统计量（最小值、下四分位数、中位数、上四分位数、最大值）来概括分布。但真正厉害的是——它能自动标记离群点。

我记得有一次做加速寿命试验，有个样本的寿命特别短。一开始以为是测试错误，结果箱线图把它标成了离群点。后来一查，是那个批次的材料有杂质。箱线图帮我省了一次召回事故。

# 生成多组对比数据（不同温度下的寿命）
np.random.seed(42)
temp_25 = np.random.normal(5000, 500, 100)
temp_85 = np.random.normal(3500, 400, 100)
temp_125 = np.random.normal(2000, 300, 100)
# 故意加一个离群点
temp_125 = np.append(temp_125, 8000)

data_box = [temp_25, temp_85, temp_125]
labels = ['25°C', '85°C', '125°C']

# Matplotlib 箱线图
plt.figure(figsize=(10, 6))
bp = plt.boxplot(data_box, labels=labels, patch_artist=True,
                 showmeans=True, meanprops=dict(marker='D', markerfacecolor='red'))
# 给箱子着色
colors = ['lightblue', 'lightgreen', 'lightcoral']
for patch, color in zip(bp['boxes'], colors):
    patch.set_facecolor(color)
plt.title('不同温度下寿命数据的箱线图')
plt.ylabel('寿命 (小时)')
plt.grid(True, alpha=0.3)
plt.show()

# Seaborn 箱线图（更简洁）
plt.figure(figsize=(10, 6))
sns.boxplot(data=data_box, palette='Set2')
plt.xticks(ticks=[0, 1, 2], labels=labels)
plt.title('不同温度下寿命数据的箱线图 (Seaborn)')
plt.ylabel('寿命 (小时)')
plt.show()

4.3 Q-Q图：检验「正态性」的照妖镜

Q-Q图（分位数-分位数图）是检验数据是否服从某个理论分布（最常见的是正态分布）的利器。它的原理很简单：把数据的分位数和理论分布的分位数画在散点图上。如果点大致落在一条直线上，就说明数据符合该分布。

为什么这个重要？因为很多寿命预测模型（比如威布尔分布、对数正态分布）都假设数据服从特定分布。你想想看，如果数据本身就不正态，你用基于正态的模型去拟合，结果能准吗？

import scipy.stats as stats

# 生成正态数据
np.random.seed(42)
normal_data = np.random.normal(5000, 500, 200)

# 生成偏态数据（模拟早期失效）
skewed_data = np.random.weibull(0.8, 200) * 3000

# Matplotlib Q-Q图
fig, axes = plt.subplots(1, 2, figsize=(14, 6))

# 正态数据
stats.probplot(normal_data, dist='norm', plot=axes[0])
axes[0].set_title('正态数据的Q-Q图')
axes[0].grid(True, alpha=0.3)

# 偏态数据
stats.probplot(skewed_data, dist='norm', plot=axes[1])
axes[1].set_title('偏态数据的Q-Q图')
axes[1].grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# Seaborn 没有直接的Q-Q图，但可以用 statsmodels
import statsmodels.api as sm

plt.figure(figsize=(10, 6))
sm.qqplot(normal_data, line='45', fit=True)
plt.title('正态数据的Q-Q图 (statsmodels)')
plt.grid(True, alpha=0.3)
plt.show()

你看，左边的Q-Q图，点基本都贴在红线上，说明数据正态。右边的图，两端明显偏离直线——尤其是右端翘起来了，说明数据右偏，有长尾。这在寿命数据里很常见，意味着早期失效多。

4.4 三种图的对比与选择

这三种图各有各的用处。我整理了一个对比表，方便你快速决策：

图表类型	主要用途	优点	缺点	适用场景
直方图	看分布形状、集中趋势	直观、容易理解	受bins设置影响大	初步探索、汇报展示
箱线图	看离群点、多组对比	不受极端值影响、适合对比	丢失分布细节	异常检测、不同条件对比
Q-Q图	检验分布假设	精确判断分布类型	需要一定统计知识	模型假设验证、分布拟合

我个人习惯的顺序是：先用直方图看个大概，再用箱线图找离群点，最后用Q-Q图确认分布假设。三步走，基本能把数据的脾气摸透。

4.5 实战建议：把可视化嵌入工作流

别把画图当成「做完分析再补的作业」。我建议你养成一个习惯：每次拿到新数据，先画这三张图。花不了5分钟，但能帮你避免很多坑。

• 直方图：检查数据是否双峰（可能混合了两种失效模式）
• 箱线图：标记离群点，追溯原因（是测试错误还是真实异常？）
• Q-Q图：确认分布假设，为后续建模选对工具

举个例子。有一次我分析一批LED灯的寿命数据，直方图显示右偏，箱线图发现几个离群点，Q-Q图确认它符合威布尔分布。于是我用威布尔模型做寿命预测，结果和实际退运数据高度吻合。如果当时偷懒没画图，直接用正态模型，预测寿命会偏大30%。

嗯，数据可视化就是这么实在。它不花哨，但能救命。

---

公众号:蓝海资料掘金营，微信deep3321