### 使用Matplotlib和Seaborn绘制带异常点标注的数据图表 为了实现带有异常点标注的数据可视化图，可以采用`matplotlib`和`seaborn`这两个强大的Python数据可视化库。下面是一个具体的例子，展示了如何识别并突出显示数据集中的异常值。 #### 创建样本数据集 首先，构建一个包含一些随机噪声以及几个明显偏离其他数值的异常点的数据集： ```python import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt np.random.seed(42) # 构建基础数据框架 data = {'value': np.concatenate((np.random.normal(loc=0, scale=1, size=95), np.array([8, 9, 10])))} df = pd.DataFrame(data) ``` 这段代码生成了一个由标准正态分布组成的列表，并人为加入了三个较大的离群值作为异常点[^3]。 #### 绘制散点图并标记异常点 接下来，在散点图上描绘这些数据的同时，特别强调那些被认为是异常的数据点： ```python def plot_with_anomalies(df): # 设置画布大小 plt.figure(figsize=(10, 6)) # 定义异常检测阈值 (这里简单地设定了上下限) lower_bound = df['value'].quantile(.05) upper_bound = df['value'].quantile(.95) # 找到所有超出界限的索引 anomalies_indices = ((df['value'] < lower_bound) | (df['value'] > upper_bound)).values # 整体绘图 ax = sns.scatterplot(x=df.index, y='value', data=df, color="blue", label='Normal Points') # 异常点单独处理 anomaly_points = df.loc[anomalies_indices] sns.scatterplot(x=anomaly_points.index, y='value', data=anomaly_points, marker='X', s=100, color="red", alpha=.75, label='Anomalies') # 添加标题和其他细节 plt.title('Scatter Plot with Annotated Outliers', fontsize=16) plt.xlabel('Index Position') plt.ylabel('Value') plt.legend() plt.grid(True) plt.show() plot_with_anomalies(df) ``` 上述脚本不仅会创建一张普通的散点图，还会用红色叉号(`'X'`)来表示被认定为异常的数据点，并给予更大的尺寸以便于观察[^1]。 此方法提供了一种直观的方式来看待哪些观测可能属于异常情况；当然，实际项目中对于什么是“异常”的定义可能会更复杂，取决于具体的应用场景和技术需求[^4]。