---
title: "盒鬚圖（Box Plot）"
slug: box-plot
language: zh-TW
source: https://aiterms.tw/terms/box-plot
updated_at: 2026-07-30
tags: [資料視覺化, EDA, 統計, 離群值, 特徵工程]
ipas_term: false
---

# 盒鬚圖（Box Plot）

以五數摘要（最小值、Q1、中位數、Q3、最大值）視覺化資料分布與離群值的統計圖表。

## 完整說明

盒鬚圖（Box Plot，又稱盒形圖或箱形圖）是由統計學家 John Tukey 於 1970 年代提出的資料視覺化工具，透過五數摘要（Five-Number Summary），也就是最小值、第一四分位數（Q1）、中位數（Q2）、第三四分位數（Q3）、最大值，以矩形「盒」加上兩側「鬚」的形式，緊湊地呈現資料的集中趨勢、離散程度與分布形狀，並能直觀識別離群值。在機器學習的資料前置處理（EDA）與特徵工程中，盒鬚圖是診斷資料分布狀況、偵測離群值的常用工具。

## 常見問題

### 盒鬚圖的鬚為什麼預設是 1.5 倍 IQR？這個值能改嗎？

1.5 倍 IQR 是由統計學家 John Tukey 提出的經驗法則，其統計直覺是：若資料服從常態分布，Q1 - 1.5×IQR 到 Q3 + 1.5×IQR 的範圍大約覆蓋 99.3% 的資料，超出此範圍的點在常態假設下出現機率約為 0.7%，可合理視為可疑離群值。這個值並非鐵律，可以根據業務需求調整：使用 3×IQR 作為「極端離群值」的閾值（Tukey 原始論文中的建議）；或在異常偵測敏感度要求高的場景（如醫療或金融詐欺）中使用更小的倍數（如 1.0×IQR）。在 Python 中，seaborn 的 sns.boxplot(whis=3.0) 可調整鬚的倍數。關鍵是無論使用哪個閾值，都應結合業務知識判斷被標記的點是否真的需要特殊處理，統計閾值只是輔助工具，不能替代人工判斷。

### 從盒鬚圖如何判斷資料是左偏還是右偏？

判斷偏態的方式主要看兩個地方：一是中位線在盒子中的位置。如果中位線靠近盒子下方（接近 Q1），表示資料中間 50% 的值集中在較小的一側，上半部有更大的延伸空間，通常對應右偏（正偏）分布，右尾（大值方向）較長；反之中位線靠近盒子上方（接近 Q3）則對應左偏（負偏）。二是上下鬚的長度。上鬚明顯長於下鬚，表示大值方向有更長的尾部，傾向右偏；反之下鬚較長則傾向左偏。離群值的分布方向也是輔助線索：右偏分布通常在右側（大值方向）有更多離群點。收入、財富、網頁訪問量等常見的長尾分布資料通常呈現明顯右偏，在機器學習中常需要對數轉換來改善。

### 盒鬚圖上顯示「離群值」，是否就一定要刪除那些資料點？

絕對不是。盒鬚圖上標示為離群值的點只是統計意義上「相對於中段資料較為極端」的點，是否需要刪除取決於業務背景和數據品質判斷。有幾種常見情況：資料輸入錯誤（如年齡欄位出現 999 或日期格式錯誤導致的異常值），這種應修正或刪除；真實的業務極端值（如少數超高消費客戶、特殊設備的異常讀數），這種往往是最有價值的樣本，特別是在詐欺偵測或異常診斷中；自然的長尾分布（如收入分布），高值並非「錯誤」而是正常的分布特性。建議的做法是：先理解業務背景，再根據具體情況決定保留、修正、或獨立分析這些樣本；若要刪除，應記錄刪除的理由與數量，並確認刪除後不會引入選擇偏誤。

---

來源：https://aiterms.tw/terms/box-plot
快查頁：https://aiterms.tw/terms/box-plot
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-box-plot