# seaborn.boxenplot > 譯者：[FindNorthStar](https://github.com/FindNorthStar) ```py seaborn.boxenplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, width=0.8, dodge=True, k_depth='proportion', linewidth=None, scale='exponential', outlier_prop=None, ax=None, **kwargs) ``` 為更大的數據集繪制增強的箱型圖。 這種風格的繪圖最初被命名為“信值圖”，因為它顯示了大量被定義為“置信區間”的分位數。它類似于繪制分布的非參數表示的箱形圖，其中所有特征對應于實際觀察的數值點。通過繪制更多分位數，它提供了有關分布形狀的更多信息，特別是尾部數據的分布。欲了解更詳細的解釋，您可以閱讀介紹該繪圖的論文： [https://vita.had.co.nz/papers/letter-value-plot.html](https://vita.had.co.nz/papers/letter-value-plot.html) 輸入數據可以通過多種格式傳入，包括： * 格式為列表，numpy 數組或 pandas Series 對象的數據向量可以直接傳遞給`x`，`y`和`hue`參數。 * 對于長格式的 DataFrame，`x`，`y`，和`hue`參數會決定如何繪制數據。 * 對于寬格式的 DataFrame，每一列數值列都會被繪制。 * 一個數組或向量的列表。 在大多數情況下，可以使用 numpy 或 Python 對象，但更推薦使用 pandas 對象，因為與數據關聯的列名/行名可以用于標注橫軸/縱軸的名稱。此外，您可以使用分類類型對變量進行分組以控制繪圖元素的順序。 此函數始終將其中一個變量視為分類，并在相關軸上的序數位置(0,1，... n)處繪制數據，即使數據屬于數值類型或日期類型也是如此。 更多信息請參閱 [教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。 參數：`x, y, hue`：`data`或向量數據中的變量名稱，可選 > 用于繪制長格式數據的輸入。查看樣例以進一步理解。 `data`：DataFrame，數組，數組列表，可選 > 用于繪圖的數據集。如果`x`和`y`都缺失，那么數據將被視為寬格式。否則數據被視為長格式。 `order, hue_order`：字符串列表，可選 > 控制分類變量（對應的條形圖）的繪制順序，若缺失則從數據中推斷分類變量的順序。 `orient`：“v” | “h”，可選 > 控制繪圖的方向（垂直或水平）。這通常是從輸入變量的 dtype 推斷出來的，但是當“分類”變量為數值型或繪制寬格式數據時可用于指定繪圖的方向。 `color`：matplotlib 顏色，可選 > 所有元素的顏色，或漸變調色板的種子顏色。 `palette`：調色板名稱，列表或字典，可選 > 用于`hue`變量的不同級別的顏色。可以從 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette") 得到一些解釋，或者將色調級別映射到 matplotlib 顏色的字典。 `saturation`：float，可選 > 控制用于繪制顏色的原始飽和度的比例。通常大幅填充在輕微不飽和的顏色下看起來更好，如果您希望繪圖顏色與輸入顏色規格完美匹配可將其設置為`1`。 `width`：float，可選 > 不使用色調嵌套時完整元素的寬度，或主要分組變量一個級別的所有元素的寬度。 `dodge`：bool，可選 > 使用色調嵌套時，元素是否應沿分類軸移動。 `k_depth`：“proportion” | “tukey” | “trustworthy”，可選 > 通過增大百分比的粒度控制繪制的盒形圖數目。所有方法都在 Wickham 的論文中有詳細描述。每個參數代表利用不同的統計特性對異常值的數量做出不同的假設。 `linewidth`：float，可選 > 構圖元素的灰線寬度。 `scale`：“linear” | “exponential” | “area” > 用于控制增強箱型圖寬度的方法。所有參數都會給顯示效果造成影響。 “linear” 通過恒定的線性因子減小寬度，“exponential” 使用未覆蓋的數據的比例調整寬度， “area” 與所覆蓋的數據的百分比成比例。 `outlier_prop`：float，可選 > 被認為是異常值的數據比例。與 `k_depth` 結合使用以確定要繪制的百分位數。默認值為 0.007 作為異常值的比例。該參數取值應在[0,1]范圍內。 `ax`：matplotlib 軸，可選 > 繪圖時使用的 Axes 軸對象，否則使用當前 Axes 軸對象。 `kwargs`：鍵，值映射 > 其他在繪制時傳遞給`plt.plot`和`plt.scatter`參數。 返回值：`ax`：matplotlib 軸 > 返回 Axes 對軸象，并在其上繪制繪圖。 亦可參見 boxplot 和核密度估計的結合。一個傳統的箱型圖具有類似的 API。 示例 繪制一個獨立的橫向增強箱型圖： ```py >>> import seaborn as sns >>> sns.set(style="whitegrid") >>> tips = sns.load_dataset("tips") >>> ax = sns.boxenplot(x=tips["total_bill"]) ```  根據分類變量分組繪制一個縱向的增強箱型圖： ```py >>> ax = sns.boxenplot(x="day", y="total_bill", data=tips) ```  根據 2 個分類變量嵌套分組繪制一個增強箱型圖： ```py >>> ax = sns.boxenplot(x="day", y="total_bill", hue="smoker", ... data=tips, palette="Set3") ```  當一些數據為空時根據嵌套分組繪制一個增強箱型圖： ```py >>> ax = sns.boxenplot(x="day", y="total_bill", hue="time", ... data=tips, linewidth=2.5) ```  通過顯式傳入參數指定順序控制箱型圖的顯示順序： ```py >>> ax = sns.boxenplot(x="time", y="tip", data=tips, ... order=["Dinner", "Lunch"]) ```  針對 DataFrame 里每一個數值型變量繪制增強箱型圖： ```py >>> iris = sns.load_dataset("iris") >>> ax = sns.boxenplot(data=iris, orient="h", palette="Set2") ```  使用 [`stripplot()`](seaborn.stripplot.html#seaborn.stripplot "seaborn.stripplot") 顯示箱型圖頂部的數據點： ```py >>> ax = sns.boxenplot(x="day", y="total_bill", data=tips) >>> ax = sns.stripplot(x="day", y="total_bill", data=tips, ... size=4, jitter=True, color="gray") ```  將 [`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot") to combine [`boxenplot()`](#seaborn.boxenplot "seaborn.boxenplot") 以及 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid") 結合起來使用。這允許您通過額外的分類變量進行分組。使用 [`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot") 比直接使用 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid") 更為安全，因為它保證了不同切面上變量同步的順序： ```py >>> g = sns.catplot(x="sex", y="total_bill", ... hue="smoker", col="time", ... data=tips, kind="boxen", ... height=4, aspect=.7); ```