企业官网建设流程全解析

做数据分析这些年，我有个很深的体会：拿到一份数据，别急着上模型、跑回归，先老老实实做一次“摸底体检”比什么都重要。而这体检里最基础、也最容易被忽视的三件套，就是五数概括、盒图和异常值检测。很多新手一上来就盯着均值、标准差不放，结果被几个极端值带偏了方向，后面所有分析都白做。这篇文章我用 Pandas 从头到尾把这三件事串一遍，讲清楚每个数字背后的业务含义、IQR 检测异常的完整原理，再配合一段真实销售数据的实战，帮你一次性打通“描述分布—可视化—发现问题”这条数据分析的入门主线。无论你是刚学 Python、准备转行数据岗，还是已经在用 Excel 做报表想升级一下，这篇都值得读完。

1. 先给数据做个体检：五数概括到底在说什么

1.1 五个数字分别回答什么问题

五数概括（Five-Number Summary）就是用五个关键数字描述一组数据的分布形态，分别是最小值（Min）、第一四分位数（Q1）、中位数（Median）、第三四分位数（Q3）和最大值（Max）。

我更喜欢把这五个数理解成“数据面试官”依次要问的五个问题：这组数据最低到多少？25% 的数据线划在哪？最中间的水平是多少？75% 的数据线又划在哪？最高冲到多少？答案组合在一起，基本就能在脑海里勾勒出这组数据的“骨架”。

举个例子，假设你在分析某款白酒在全国各地的月销售额，均值是 80 万，听着还不错。但如果 Q1 只有 30 万、Q3 已经到 120 万，而中位数只有 55 万，那说明大部分区域其实卖得并不好，是少数几个头部市场把均值拉高的。这种情况下“均值 80 万”完全不能代表典型水平，中位数 55 万才是更有业务参考价值的数据。

还有一个容易忽略的点：五数概括能让你迅速判断数据是不是“偏”的。中位数靠近 Q1 而远离 Q3，说明数据右偏，也就是存在一些特别大的极端值；反过来就是左偏。这一步判断，直接决定了你后续是用均值还是中位数做基准，也决定要不要对异常值动手。

1.2 四分位数的计算逻辑与 Pandas 细节

四分位数的计算看起来简单，其实里面有个小坑：不同软件、不同方法算出来的 Q1、Q3 可能不一样。Pandas 的quantile()方法默认用的是线性插值，这也是统计学里最通用的方式。

用一个最简单的小数组来演示。假设有 5 个数：

import pandas as pd s = pd.Series([1, 3, 5, 7, 9]) print(s.quantile(0.25)) # 3.0 print(s.quantile(0.5)) # 5.0 print(s.quantile(0.75)) # 7.0

这个结果看起来“正好落在数据点上”，是因为 5 个数据配合 0.25 的间隔，位置刚好是整数。换成 6 个数据情况就变了：

s2 = pd.Series([1, 3, 5, 7, 9, 11]) print(s2.quantile(0.25)) # 3.5

0.25 分位点在排序后第 0 位和第 1 位之间 25% 的位置，也就是 1 和 3 中间取 25%，得到 1 + (3-1)×0.25 = 1.5？等等，这里就不细究插值公式了，实际结果取决于 NumPy 的默认线性插值方式。我的建议是：不要手动跟算分位数较劲，只要统一用 Pandas/NumPy 的口径，在团队内保持一致就足够了。真正要记住的是，Q1 意味着“有 25% 的数据比它小”，Q3 意味着“有 75% 的数据比它小”，这个业务解读永远不会变。

实际工作中，我们用df.describe()就能一次性把五数概括连同均值、标准差都打出来：

df = pd.DataFrame({"销售额": [12, 15, 14, 18, 120, 16, 13, 17, 500]}) print(df["销售额"].describe())

你会看到 count、mean、std、min、25%、50%、75%、max 一排输出。不过要注意，describe()默认对数值列输出的是 25% 和 75%，对应的正是 Q1 和 Q3。很多人看完这行输出就走过去了，其实里面藏着大量信息：如果 max 和 75% 之间的距离远大于 Q1 到 min 的距离，基本可以断定有右偏的大尾巴。

2. 盒图不是装饰画：怎么读、怎么画、怎么对比

2.1 盒图的每个部件都有明确含义

盒图（Box Plot，也叫箱线图）是把五数概括画成一张图的可视化工具。很多人第一次看到盒图，觉得就是“一个盒子加两根须须”，没什么了不起。但你一旦学会正确读它，它的信息密度比柱状图、折线图高得多。

盒子的下边是 Q1，上边是 Q3，盒子高度就是四分位距（IQR），反映的是中间 50% 数据的波动范围。盒子中间那条线是中位数。盒子越窄，说明大部分数据挤在一起，稳定性好；盒子越宽，说明数据分散，波动大。

盒子外面那两根“须”（也叫 whiskers）并不是 min 和 max，而是在正常范围内的最远数据点。它的边界通常取 Q1 - 1.5×IQR 和 Q3 + 1.5×IQR。超出这个范围的点，会被单独画成圆点或菱形，这些就是统计意义上的异常值候选者。

我刚入门时一直以为须的端点就是最大值最小值，后来才发现这俩概念不一样。如果一组数据没有异常值，那须的端点恰好就是 min 和 max；一旦有异常值，须的端点就会“缩回来”，异常点单独飘在外面。搞清楚这一点，看盒图时才不会误读。

2.2 并排盒图：组间对比的利器

盒图最大的优势不是画一组数据，而是把多组数据并排放在一起对比。单看一组的均值和标准差，你很难感受到分布全貌；但三五个盒图一字排开，中位数差异、离散程度差异、异常值分布一目了然。

比如分析三个大区的销售数据，华北、华东、华南各画一个盒图。如果华东的盒子明显更高且中位数偏上，说明这个区域整体销售水平高且内部差距大；如果华南的盒子很矮，说明大家卖得都差不多，竞争格局稳定；如果华北出现两个孤零零的异常点飘在盒子上面，那这两个点很可能就是某个爆款活动或者某个大经销商带来的，值得单独查。

在 Python 里画并排盒图有很多方式，Pandas 自带的plot.box()最简单：

import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["SimHei"] # 解决中文乱码 plt.rcParams["axes.unicode_minus"] = False df[["华北", "华东", "华南"]].plot.box() plt.title("各大区销售额分布对比") plt.show()

如果你用 Seaborn，画起来更灵活，可以直接按某个分组列拆盒图：

import seaborn as sns sns.boxplot(x="大区", y="销售额", data=df) plt.show()

Seaborn 的写法更适合数据已经整理成长表（一行一条记录）的情况。说实话，真实项目里数据大多是长表，所以我用sns.boxplot的频率更高。

2.3 画盒图时最容易翻车的几个细节

盒图本身不难画，但细节上翻车的人真不少。第一个就是中文乱码。Matplotlib 默认字体不支持中文，图上一片方框，这个不提前设置好，后面每张图都得返工。上面代码里那两行rcParams设置建议放进你的绘图工具函数里，全局生效。

第二个是数据没排序不影响分位数，但会影响你看盒图时的直觉。盒图会自动按数值排列位置，和原始数据顺序无关，因此你不用担心导入的数据乱序。

第三个是盒图会把异常值“藏”在须外，这反而是它的优点。但如果你用plot.box()时没有单独看数据点，可能忽略了异常值的数量。建议画图归画图，数据层面还是要把异常值的具体值打出来，一张图加一张明细表配合看。

还有一个经验：如果样本量太少，比如一组只有 5 条数据，盒图会显得很“秃”，中位数、Q1、Q3 可能跟某些数据点重合，这时候盒图参考价值有限，别硬解读。

3. 异常值检测：IQR法的原理与 Pandas 落地

3.1 异常值不等于错误值：先分清业务含义

在动手检测之前，必须先明确一件事：统计上的异常值和业务上的坏数据不是一回事。

统计上的异常值，是“偏离主体分布太远”的数据点，它可能是真实发生的（比如某天促销带来销售额暴涨 10 倍），也可能是数据录入错误（比如把 15 万录成 150 万）。这两类必须区分对待：前者要保留并单独分析，后者要修正或剔除。

我在实际项目里吃过亏：一口气把检测出的异常值全删了，结果删掉的恰恰是最有价值的爆款销售记录，后面的销售预测模型完全偏离实际。从那以后，我给自己定了一条铁律：检测异常值只是第一步，人工确认异常值背后的业务原因才是关键。

3.2 IQR 检测法的完整计算过程

IQR 法（四分位距法）是目前最通用的异常值检测方式，核心思路是：先找出数据的 Q1 和 Q3，算出 IQR = Q3 - Q1，然后定义正常区间的上下限：

下限 = Q1 - 1.5 × IQR 上限 = Q3 + 1.5 × IQR

所有小于下限或大于上限的数据点，统称为异常值。这个“1.5”是一个经验常数，来自统计学传统，适用面很广。如果你的数据分布特别复杂，可以把系数调成 3，得到的是“极端异常值”的判断标准；也可以改用百分位数法（比如把 1% 和 99% 以外的都当异常），但实际工作中 IQR 法因简单、鲁棒、无需假设分布形态而最常用。

这里有个关键优势：IQR 法用的是中位数和四分位数，不受极端值本身影响。对比一下，如果你用“均值 ± 3σ”来检测，数据本身包含一个 1000 倍的大异常值时，均值和标准差都会被带偏，反而检测不出这个异常值——这种“掩蔽效应”在真实数据里非常常见。IQR 法就没有这个问题，这也是它成为入门首选的根本原因。

3.3 Pandas 实现：从计算到标记的完整代码

下面这段代码是我最常用的标准写法，可以直接用到自己的项目里。假设销售额数据存在df["销售额"]列：

import pandas as pd import numpy as np # 1. 计算四分位数和 IQR Q1 = df["销售额"].quantile(0.25) Q3 = df["销售额"].quantile(0.75) IQR = Q3 - Q1 # 2. 计算正常区间 lower_bound = Q1 - 1.5 * IQR upper_bound = Q3 + 1.5 * IQR # 3. 用布尔索引筛选异常值 outliers = df[(df["销售额"] < lower_bound) | (df["销售额"] > upper_bound)] # 4. 在原表上打标记，方便后续追溯 df["是否异常"] = np.where( (df["销售额"] < lower_bound) | (df["销售额"] > upper_bound), "异常", "正常" ) print(f"正常区间: [{lower_bound:.2f}, {upper_bound:.2f}]") print(f"异常值数量: {len(outliers)}") print(outliers)

这里我特别推荐第四步：不要只筛出异常值，而是给原始数据加一列标记。因为一旦你后续要复现分析、跟业务对口径，这列标记能帮你随时追溯哪些数据被认定为异常、为什么被认定为异常。分析工作最怕的就是“当时处理了，但处理过程没留痕”。

还有一种更结构化的做法：把检测逻辑封装成函数，方便对多个字段批量复用。

def detect_outliers_iqr(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["销售额_异常标记"] = detect_outliers_iqr(df["销售额"])

这个函数接收一个 Series，返回一个布尔 Series，True 就是异常。用k参数控制严格程度，想宽松一点就调成 2 或 3，想收紧就保持 1.5。每次检测都在函数里留下参数记录，别人看到你的代码就知道你是用什么标准检测的。

4. 完整实战：一份销售数据的“全流程体检”

4.1 构造数据与初步观察

我在这里构造一份模拟的“白酒全国各区域月销售额”数据，方便演示完整流程，同时契合很多同学正在做的销售分析场景：

import pandas as pd import numpy as np np.random.seed(42) data = { "区域": ["华北"] * 20 + ["华东"] * 20 + ["华南"] * 20, "销售额": ( list(np.random.normal(50, 8, 20)) + list(np.random.normal(80, 12, 20)) + list(np.random.normal(60, 5, 20)) ) } df = pd.DataFrame(data) # 故意制造两个极端异常值：一个录入错误，一个真实爆款 df.loc[15, "销售额"] = 500 # 录入错误 df.loc[30, "销售额"] = 150 # 可能的真实极端值 df["销售额"] = df["销售额"].round(2)

这份数据有三个区域，每个区域 20 条记录。正常情况下华北均值 50、华东均值 80、华南均值 60，但我手动塞了两个极端点。如果只看整体均值，你会觉得数据“还不错”，但拆分区域后才能看出门道。

先跑一份整体五数概括：

print(df["销售额"].describe())

输出大致会显示：min 在 40 左右，25% 在 53 左右，50% 在 62 左右，75% 在 82 左右，max 是 500。max 和 75% 之间的距离非常夸张，明显右偏，这就是异常值在作祟。

4.2 绘制盒图定位异常

接着画全量数据的盒图，以及按区域分组的并排盒图：

import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False fig, axes = plt.subplots(1, 2, figsize=(12, 4)) # 整体盒图 df["销售额"].plot.box(ax=axes[0]) axes[0].set_title("整体销售额盒图") # 分组盒图 df.boxplot(column="销售额", by="区域", ax=axes[1]) axes[1].set_title("各区域销售额盒图") plt.tight_layout() plt.show()

整体盒图会显示一个孤零零的点飘在须的上方，那就是 500 那个极端值。分组盒图里，华东区域也会出现一个 150 的点，跟同组其他数据明显分离。到这里，异常值“长什么样”已经视觉化清楚了。

4.3 分组计算五数概括与 IQR 检测

整体做一次 IQR 检测会出问题：华东整体均值本来就高，直接用整体区间判断，可能把华南的偏高值误判为异常，而华东的低值反而成了异常。所以正确做法是按组分别计算：

def detect_outliers_iqr(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 print(f"区间: [{lower:.2f}, {upper:.2f}]") return (series < lower) | (series > upper) for region, sub_df in df.groupby("区域"): mask = detect_outliers_iqr(sub_df["销售额"]) outliers = sub_df[mask] print(f"{region} 异常值数量: {len(outliers)}") if len(outliers) > 0: print(outliers[["区域", "销售额"]])

分组之下，华北那组会检测出异常值 500，华东那组会检测出 150，其他点基本都在区间内。比起整体一刀切，这种分组检测的逻辑更贴合业务分析习惯——每个区域的销售基数和波动幅度本来就不同，比“全国统一划线”合理得多。

4.4 异常值处理：先确认原因再动手

检测出异常值之后，最常见的动作就是“删掉”。但我在前面说过，不能无脑删。针对本例的两个异常值，正确的处理流程是：

• 确认数据来源：查一下 500 这条记录是不是录入时多打了一个 0。如果是，修正为 50；如果不是，核对是否来自某场大型团购。
• 确认业务背景：150 的华东记录如果对应一个真实的大订单，那就应该保留，但在做常规统计时单独标注，或者在同比环比分析中剔除，避免单月波动影响趋势判断。
• 保留处理日志：无论修正还是剔除，都在代码里加注释，甚至单独存一份“数据清洗说明”文件。这个习惯在团队协作里特别加分。

我个人的惯例是：异常值默认不直接删，先标后审。给数据加一列“是否异常”，再写清异常原因，等业务方确认后再决定是剔除、修正还是保留。这样整个分析链条是可追溯的，不会出现“上次分析结果换个说法就对不上”的尴尬。

5. 实战避坑：Pandas 做异常值检测的常见问题

5.1 常见问题速查表

我在带新人和自己实战中，发现下面这些问题出现频率最高，整理成一张速查表：

5.2 几个我实测后的独家心得

第一，describe()和盒图要配合使用，不是二选一。describe()给你精确数字，盒图给你直观分布。先跑describe()感知数值范围，再画盒图定位异常，最后打印异常明细，三步走下来基本不会漏。

第二，分组 IQR 检测要警惕“小分组陷阱”。如果一个组只有 5~10 条数据，分位数波动很大，正常区间会很宽或很窄，不稳定。建议对样本量太小的组不做异常值检测，直接标记为“样本不足”。我在那个白酒数据例子里每组 20 条还能用，真实业务里一个区域只有 3 家门店的情况很常见，这时候 IQR 法不如人工审核可靠。

第三，所有“自动检测”都要留手动覆盖的出口。我封装detect_outliers_iqr时，永远保留k参数和手动指定上下限的能力。因为你不知道哪个数据集会出现什么特殊情况，一个能调参、能覆盖的函数比写死的脚本好用得多。

第四，异常值检测不是一次性工作。数据是动态的，这个月的“爆款”下个月可能变成“常态”，所以要定期重新跑检测、重画盒图。我习惯把整套流程写成脚本，每次数据更新后跑一遍，输出异常值清单让业务复核，比到月底才发现数据问题强得多。

5.3 更进一步：从单变量到多变量的扩展思路

学会了单变量的五数概括和 IQR 检测，实际上你已经掌握了数据分析中最核心的“分布思维”。再往下走，有两个自然的扩展方向：

一是分组对比自动化。把上面那段groupby循环进一步封装，对所有数值列批量输出五数概括、盒图、异常值清单，一套代码搞定整个数据集的“体检报告”。我实际项目里就是这么做的，省下大量重复手工时间。

二是多变量异常检测。单变量检测只关注一个维度，比如销售额异常，但“销售额正常却利润率极低”的记录单看销售额是发现不了的。这时候可以用 Z-score 多维组合、聚类方法或孤立森林来做。不过那些都是进阶内容，先把单变量的 IQR 法和盒图用熟练，打好这个底子，后面学任何复杂方法都会轻松很多。

我个人的体会是，数据分析入门阶段最重要的不是背 API，而是建立“先描述、再可视化、最后下结论”的思维框架。五数概括、盒图、异常值检测这三件套，恰好帮你把这条链路完整走一遍。把这套流程跑顺了，再面对任何新数据集，你都会知道第一步该干什么，这比记住一百个函数重要得多。最后再分享一个小技巧：每做一个分析项目，都把上面的代码整理成自己的工具脚本，下次直接 import，你会发现效率翻倍。