boxplot в Seaborn: как читать ящик с усами и сравнивать группы

Среднее — обманчивая сводка: два района доставки со средней «25 минут» могут быть совершенно разными — в одном все заказы приходят за 23–27 минут, в другом то 15, то 45. Гистограмма из четвёртого урока показала бы форму каждого района, но на пять районов понадобится пять графиков. boxplot («ящик с усами») решает иначе: сжимает каждое распределение в один компактный символ и ставит все группы рядом на общую шкалу.

Разберём анатомию ящика, посчитаем его части руками в pandas, поймём правило усов и выбросов, а в конце добавим hue — второй разрез внутри каждого ящика.

Анатомия ящика с усами

Сквозной пример — время доставки пиццы по двум районам: центр и окраина, по шесть замеров на каждый. Строим первый boxplot и разбираем, что на нём нарисовано:

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

delivery = pd.DataFrame({
    "district": ["Центр"] * 6 + ["Окраина"] * 6,
    "minutes": [20, 22, 25, 19, 24, 27, 18, 22, 35, 38, 45, 90],
})

sns.set_theme()
ax = sns.boxplot(data=delivery, x="district", y="minutes")
ax.set_title("Время доставки: центр и окраина")
ax.set_xlabel("Район")
ax.set_ylabel("Минут")
plt.show()

График отображается под редактором

Пять элементов, и каждый — точное число из данных. Медиана делит замеры пополам: половина заказов быстрее неё, половина медленнее. Ящик между квартилями огораживает середину — давайте сведём элементы в таблицу, чтобы дальше говорить одним языком:

Правильнее читать по порядку: медиана — типичный заказ, ящик — где живут средние 50% заказов, усы — нормальный разброс, точки — исключения. Проверим центральный район руками в pandas — ящик обязан совпасть с числами:

import pandas as pd

delivery = pd.DataFrame({
    "district": ["Центр"] * 6 + ["Окраина"] * 6,
    "minutes": [20, 22, 25, 19, 24, 27, 18, 22, 35, 38, 45, 90],
})

center = delivery.loc[delivery["district"] == "Центр", "minutes"]
q1, median, q3 = center.quantile([0.25, 0.5, 0.75])
print(q1, median, q3)

20.5 23.0 24.75

Совпало с картинкой: нижний край ящика — 20.5 минуты, медиана — 23, верхний — 24.75. Ящик центрального района узкий: средние 50% заказов укладываются в четыре минуты. Разброс — это и есть главная информация, которой нет в среднем.

Усы и выбросы: правило полутора IQR

Усы тянутся от краёв ящика на полтора межквартильных размаха, но не дальше самого крайнего значения в этих границах. Посчитаем границу для окраины — и сравним с её максимумом:

import pandas as pd

delivery = pd.DataFrame({
    "district": ["Центр"] * 6 + ["Окраина"] * 6,
    "minutes": [20, 22, 25, 19, 24, 27, 18, 22, 35, 38, 45, 90],
})

outskirt = delivery.loc[delivery["district"] == "Окраина", "minutes"]
q1, q3 = outskirt.quantile(0.25), outskirt.quantile(0.75)
iqr = q3 - q1
whisker_top = q3 + 1.5 * iqr
print(whisker_top)
print(outskirt.max())

70.25
90

Граница усов — 70.25 минуты, а максимум равен 90. Значит, заказ на 90 минут вылетел за ус и на графике он нарисован отдельной точкой-выбросом. Это не ошибка данных: сначала стоит проверить, была ли пробка или ураган, и только потом решать, что с записью делать.

Сравнение групп: почему ящики рядом

Главный трюк boxplot — общая шкала Y. Медиана окраины почти вдвое выше центральной, ящик в разы шире, плюс выброс: район отличается не только «в среднем медленнее», но и «непредсказуемее». Для логистики это два разных вывода — первый про плановое время, второй про надёжность обещаний. Один взгляд на два ящика заменил сравнение медиан, квартилей и минимумов вручную.

hue в boxplot: два разреза сразу

Параметр hue= из девятого урока добавляет в каждый район вторую группу — например, дневную и вечернюю смену. Получаются пары ящиков: районы по оси X, смена цветом:

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

delivery = pd.DataFrame({
    "district": ["Центр"] * 6 + ["Окраина"] * 6,
    "shift": ["день", "день", "день", "вечер", "вечер", "вечер"] * 2,
    "minutes": [20, 22, 24, 25, 27, 31, 30, 34, 38, 40, 45, 52],
})

sns.set_theme()
ax = sns.boxplot(data=delivery, x="district", y="minutes", hue="shift")
ax.set_title("Время доставки: район и смена")
ax.set_xlabel("Район")
ax.set_ylabel("Минут")
plt.show()

График отображается под редактором

Теперь виден второй слой вывода: в центре день и вечер почти не различаются, а на окраине вечерняя смена стабильно медленнее. Три ящика «центр-день», «центр-вечер», «окраина-день», «окраина-вечер» — четыре сравнения из одной строки кода.

Полезные опции: среднее и горизонтальный ящик

В ящике по умолчанию показана только медиана. Среднее арифметическое включается флагом showmeans=True — полезно, когда медиана и среднее расходятся (это признак перекошенных данных):

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

delivery = pd.DataFrame({
    "district": ["Центр"] * 6 + ["Окраина"] * 6,
    "minutes": [20, 22, 25, 19, 24, 27, 18, 22, 35, 38, 45, 90],
})

sns.set_theme()
ax = sns.boxplot(data=delivery, x="district", y="minutes", showmeans=True,
                 meanprops={"marker": "D", "markerfacecolor": "white"})
ax.set_title("Ромб — среднее, линия — медиана")
ax.set_xlabel("Район")
ax.set_ylabel("Минут")
plt.show()

График отображается под редактором

На окраине ромб-среднее уехал вверх относительно медианы — выброс в 90 минут потянул среднее за собой. Медиана осталась на месте: ещё один довод доверять ей при перекошенных данных. Если подписи категорий длинные, ящик удобно повернуть: поменяйте местами x= и y=, и ящики лягут горизонтально.

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

delivery = pd.DataFrame({
    "district": ["Центр"] * 6 + ["Окраина"] * 6,
    "minutes": [20, 22, 25, 19, 24, 27, 18, 22, 35, 38, 45, 90],
})

sns.set_theme()
ax = sns.boxplot(data=delivery, x="minutes", y="district")
ax.set_title("Горизонтальные ящики: подписи дышат свободно")
ax.set_xlabel("Минут")
plt.show()

График отображается под редактором

Данные не изменились — повернулась только картинка. Горизонтальная ориентация выручает в дашбордах, где по вертикали уже десять подписей, и в отчётах с длинными названиями категорий вроде названий магазинов или моделей.

Когда boxplot не подходит

Ящик сжимает данные так сильно, что форма теряется: два распределения с одинаковыми квартилями — одно симметричное, второе с двумя горбами — дадут неразличимые ящики. Если подозреваете несколько мод или хотите показать «где масса», посмотрите гистограмму или следующий инструмент курса — violinplot, который рисует форму распределения целиком. Для первого взгляда на группы boxplot остаётся самым быстрым способом: один символ на группу, вся статистика внутри.

Что дальше

Вы научились читать ящик: медиана, IQR, правило полутора IQR для усов, выбросы-точки; сравнивать группы на общей шкале и добавлять второй разрез через hue. Следующий урок раскрывает то, что ящик прячет: violinplot рисует форму распределения целиком — где масса, где хвосты и как разрезать скрипку пополам параметром split.

Усы ящика — не минимум и не максимум: за их границами живут выбросы, которые важно рассмотреть, а не удалить сгоряча.