⚖️ 统计方法
IQR 与标准差：
IQR 与标准差：
哪种方法更能找到异常值？
两种最常用的异常值检测方法往往会给出不同的结果。以下是如何为您的数据选择正确方法的指南。
发布于：2025年12月4日
更新于：2026年2月3日
深度分析
一览对比表
| 特征 | IQR 方法 (Tukey) | 标准差 (Z-Score) |
|---|---|---|
| 最适用于 | 偏态或正态数据 | 严格的正态数据 |
| 稳健性 | 高（不受异常值影响） | 低（受异常值影响） |
| 定义 | 超出四分位数 1.5 × IQR | 离均值 2 或 3 个标准差 |
| 常见用途 | 箱线图、探索性数据分析 | 质量控制、物理学 |
IQR 方法（推荐）
四分位距 (IQR) 方法，也称为 Tukey 围栏法，使用数据的中间 50% 来定义什么是"正常"。
为什么它更胜一筹：
IQR 方法是 稳健的。这意味着异常值本身不会影响边界的计算。即使您的数据集中有一个巨大的异常值（例如在 1-10 的数据集中出现 1,000,000），中位数和四分位数仍然保持稳定。
这是 箱线图 中使用的标准方法。如果您正在进行探索性数据分析或处理现实世界的数据（很少是完美的正态分布），请坚持使用 IQR。
标准差方法 (Z-Score)
此方法将异常值定义为距离均值超过 2 或 3 个标准差的数据点。
问题（掩蔽效应）：
均值和标准差对异常值 敏感。一个极端值会将均值拉向它本身，并使标准差膨胀。这会扩大"正常"范围，可能会隐藏（掩蔽）您正在尝试查找的异常值！
仅当您确定数据遵循 正态分布（钟形曲线）并且您正在检测受控过程（如制造公差）中的异常时，才使用此方法。
结论
何时使用 IQR：
- 您的数据是偏态的（例如，收入、房价）。
- 您的数据集很小。
- 您想创建箱线图。
- 您不确定数据的分布。
何时使用标准差：
- 您的数据严格遵循正态分布（高斯分布）。
- 您正在进行质量控制（六西格玛）。
- 您之后需要进行参数统计检验。
PlotNerd 默认使用稳健的 IQR 方法，但也支持 MAD（更加稳健）。
试用 IQR 计算器