科研绘图（八）箱形图进阶：从基础到高级定制

1. 从看懂到动手：箱形图的核心要素再梳理

上次我们聊了箱形图的基础，知道了那条线是中位数，那个箱子是四分位距，还有伸出去的“须”和偶尔冒出来的“点”。但说实话，光看懂还不够，真到自己动手画，尤其是想画得既专业又好看，能直接放进论文或报告里时，就会发现默认生成的图总差点意思。要么颜色太单调，分不清组别；要么异常值标记太小，在PPT里根本看不清；又或者想在一张图里同时展示中位数和均值，却不知道如何下手。

别急，这正是我们今天要解决的。箱形图绝不是一个“一键生成”就结束的图表，它更像是一个等待你精心调校的仪表盘。每一个视觉元素——箱体的填充色、边框的粗细、中位线的样式、“须”的形态，乃至异常点的标记符号——都在向读者传递着特定的信息。高级定制的目的，就是让你能精准控制这些信息，让图表替你说话，清晰、有力、美观。

我们先快速回顾并深化一下几个关键概念，因为这是所有定制操作的基础。中位数那条线，是数据的“脊梁”，它不受极端值影响，能稳健地反映数据中心位置。四分位距（IQR），也就是箱子的高度，是数据中间50%的分布范围，它衡量了数据的离散程度。IQR越小，说明中间的数据越集中。而**“须”，通常默认延伸到不超过1.5倍IQR范围内的最远端数据点。这个1.5倍IQR是一个经验规则，也是识别异常值**的门槛。在定制时，你可以调整这个倍数，比如在金融数据中，为了更严格地筛选异常值，可能会使用3倍IQR。

理解这些，你就知道调整哪里会影响图表表达的统计含义。比如，你加粗了中位线，就是为了强调数据的中心趋势；你把箱体填充为不同的颜色，是为了在比较多个分组时，让读者一眼就能区分。接下来，我们就进入实战环节，看看在Python的Matplotlib和Seaborn，以及MATLAB中，如何一步步实现这些高级定制。

2. Python实战：用Matplotlib进行像素级控制

Matplotlib是Python绘图的基石，它提供了最底层、最精细的控制能力。虽然Seaborn能让你用更少的代码画出更漂亮的统计图形，但当你需要实现一些非常特殊的定制需求时，回到Matplotlib往往是唯一的选择。我们先从最核心的plt.boxplot()函数讲起。

当你调用plt.boxplot(data)时，它返回一个字典，里面包含了所有图形元素的句柄。这是定制的钥匙。这个字典通常包含这些键：boxes（箱体列表）、medians（中位数线列表）、whiskers（须线列表）、caps（须线顶端横杠列表）、fliers（异常值点列表）和means（如果需要显示均值的话）。拿到这些句柄，你就可以对它们进行循环遍历，逐一设置属性。

举个例子，假设我们有三组数据要比较，你想把每组箱体的颜色设为不同。基础做法是设置patch_artist=True（这样箱体才能填充颜色），然后通过boxprops参数传递一个包含facecolor属性的字典。但如果你想对每个箱子单独设置更复杂的颜色，比如渐变色，就需要在绘图后，通过返回的句柄来操作。

import matplotlib.pyplot as plt
import numpy as np

# 生成三组示例数据
np.random.seed(42)
data_group1 = np.random.normal(100, 15, 200)
data_group2 = np.random.normal(120, 20, 200)
data_group3 = np.random.normal(90, 10, 200)
data = [data_group1, data_group2, data_group3]

# 绘制箱形图，并获取所有元素句柄
fig, ax = plt.subplots(figsize=(10, 6))
boxplot_dict = ax.boxplot(data, patch_artist=True, showmeans=True, meanline=True)

# 1. 自定义每个箱体的颜色
colors = ['#FF6B6B', '#4ECDC4', '#45B7D1']
for patch, color in zip(boxplot_dict['bo