如何使用 IQR 方法
检测异常值（分步指南）
了解四分位距 (IQR) 方法如何利用四分位数和 Tukey 围栏 检测异常值。跟随分步计算，并比较 IQR 与其他稳健的异常值检测技术。
1. 什么是 IQR (四分位距) 方法?
四分位距 (Interquartile Range, IQR) 方法 通过测量数据集的中间 50% 来检测异常值。它利用四分位数（Q1 和 Q3） 来识别显著低于或高于大多数值的数据点。
基于 IQR 的异常值检测被广泛使用，因为它是非参数的 （不假设正态分布）并且对极端值具有稳健性。
关键公式
IQR = Q3 - Q1
Q1 是第 25 百分位数，Q3 是第 75 百分位数。
2. 如何分步计算 IQR
分步工作流程
- 排序数据集：按升序排列。
- 计算 Q1 (下四分位数)：下半部分数据的中位数。
- 计算 Q3 (上四分位数)：上半部分数据的中位数。
- 计算 IQR：用 Q3 减去 Q1。
示例数据集
数据: [12, 14, 16, 19, 22, 24, 27, 35]
Q1 = [12, 14, 16, 19] 的中位数 = (14 + 16) / 2 = 15
Q3 = [22, 24, 27, 35] 的中位数 = (24 + 27) / 2 = 25.5
IQR = 25.5 - 15 = 10.5
3. Tukey 围栏和异常值分类
Tukey 围栏定义了边界，超出该边界的数据点会被标记为异常值。 标准乘数是 1.5×IQR 用于“温和”异常值，3.0×IQR 用于“极端”异常值。
标准围栏 (Standard Fences)
- 下围栏: Q1 - 1.5 × IQR
- 上围栏: Q3 + 1.5 × IQR
- 围栏外的点 = 潜在异常值
扩展围栏 (Extended Fences)
- 下极端围栏: Q1 - 3 × IQR
- 上极端围栏: Q3 + 3 × IQR
- 超出极端围栏的点 = 强异常点
记住
1.5×IQR 乘数是一个惯例，并非普遍规则。对于金融或医疗保健等 敏感领域，请调整乘数或与稳健方法（如 MAD 异常值检测）进行比较。
4. 计算示例
示例 1：质量控制数据
场景： 一组制造传感器的读数（单位：mm）： [10.1, 10.3, 10.4, 10.5, 10.6, 10.7, 10.9, 12.0]
- Q1 = 10.35, Q3 = 10.8 → IQR = 0.45
- 下围栏 = 10.35 - 1.5 × 0.45 = 9.675
- 上围栏 = 10.8 + 1.5 × 0.45 = 11.475
- 值 12.0 超出了上围栏 → 被标记为异常值
示例 2：客户消费
场景： 12位客户的月消费额 (USD): [120, 140, 155, 160, 170, 175, 180, 190, 205, 210, 225, 500]
- Q1 = 157.5, Q3 = 205 → IQR = 47.5
- 上围栏 = 205 + 1.5 × 47.5 = 276.25
- 值 500 是一个异常值 → 调查消费异常
5. 优势与局限性
优势
- 对极端值稳健（Robust）
- 无分布假设
- 易于解释和实施
- 驱动标准的箱线图可视化
- 适用于偏态分布
局限性
- 假设数据具有一致的尺度
- 阈值 (1.5×IQR) 可能需要调整
- 可能会漏掉合法的极端值群集
- 不适合非常小的样本量
6. IQR vs 其他异常值检测方法
| 方法 | 最适合 | 优势 | 注意事项 |
|---|---|---|---|
| IQR (1.5×) | 通用目的，偏态数据 | 对异常值稳健，易于解释 | 阈值可能需要调整 |
| MAD | 高度偏态或重尾数据 | 使用基于中位数的尺度，非常稳健 | 不太直观，需要修正的 Z-score |
| Z-Score | 正态分布数据 | 计算简单 | 对异常值和偏度敏感 |
| 百分位规则 | 自定义阈值 (如 1%/99%) | 灵活 | 需要领域知识 |
7. 实施清单
- 确保数据是数值型的且没有无效条目
- 决定在检测后是否保留/排除异常值
- 在报告中记录使用的乘数（1.5× 或自定义）
- 报告中心趋势和离中趋势（参见 平均值 vs 中位数 vs 众数）。
- 对于重尾数据，比较 IQR 结果与 MAD
- 在 PlotNerd 中可视化结果以传达发现
8. 常见问题解答 (FAQ)
问：我可以更改 1.5× 乘数吗？
答： 可以。根据你对异常值的容忍度调整乘数。 对于高度监管的行业，可以考虑 1.0×。对于探索性分析，2.0× 可以减少误报。
问：IQR 适用于小数据集吗？
答： 当样本量小于 8 时，IQR不太可靠。 在这种情况下，请补充领域知识或收集更多数据。
问：IQR 如何处理偏态数据？
答： IQR 在处理偏态数据时表现良好，因为它关注四分位数。 对于严重偏态的分布，请将结果与 MAD 检测进行比较。
问：我可以自动化 IQR 检测吗？
答： 是的。使用 PlotNerd 的计算器 或在代码（R, Python, Excel）中实施 IQR 逻辑。始终记录 乘数和决策以备审计。
9. 结论
IQR 方法是检测异常值的可靠起点。它平衡了简单性与稳健性， 使其成为探索性数据分析、报告和自动质量检查的理想选择。
结合 IQR 与箱线图等可视化工具以及其他指标（MAD, Z-score） 来验证发现并有效地传达见解。
准备好检测异常值了吗？
使用 PlotNerd 的 IQR 异常值检测器通过 Tukey 围栏方法 即时计算四分位数、IQR 和围栏。支持 Tukey 和 MAD 方法 以进行稳健的异常值检测。
打开 IQR 异常值检测器相关文章
- → MAD vs Tukey: 选择正确的异常值检测方法
- → 什么是四分位数？完全初学者指南
- → 理解缺口箱线图：统计显著性可视化
- → 如何使用分组箱线图比较多个组
- → 如何阅读箱线图：简单指南
- → Excel 中的箱线图 (2026) — 分步指南
相关工具
- → IQR 异常值检测工具 – 使用 Tukey 和 MAD 方法检测异常值
- → 四分位数计算器 – 计算四分位数并创建箱线图