13 增强箱线图 boxenplot

13　增强箱线图 boxenplot

这类图是什么

逐级变宽的信封表示多个分位点，专为大样本设计。

看什么：大样本时尾部形状比普通箱线清楚，适合判断长尾超限。

5 个案例

13-1　大样本温升的增强箱线：比普通箱线多画 7 个分位点

boxenplot 用逐级变宽的"信封"表示更多分位数，样本上万时尾部的形状比普通箱线（只有 4 个分位）清楚得多，适合判断是否存在长尾超限。

13-2　万级负荷样本的增强箱线：看尾部有多厚

13-3　电压偏差的大样本分布：尾部越限程度

13-4　谐波幅值的大样本增强箱线

13-5　故障修复时长的长尾分布：增强箱线最适合这种偏态数据

代码

5 个函数取自 code/第三批_类别图261107.py。关键约束：不调用 sns.set_theme()，否则 font.family 被改成 Arial，中文会变方框；版式由 code/公共配置261107.py 里的 setup_cn_style() 与 save() / save_grid() 统一接管。

# 摘自 code/第三批_类别图261107.py

def bn_01():
    """大样本温升的增强箱线：比普通箱线多画 7 个分位点。

    boxenplot 用逐级变宽的"信封"表示更多分位数，样本上万时尾部的形状
    比普通箱线（只有 4 个分位）清楚得多，适合判断是否存在长尾超限。
    """
    fig, ax = new_fig(left=0.20)
    rng = np.random.default_rng(1301)
    rows = []
    for L, mu in [(0.6, 38), (0.8, 45), (1.0, 54), (1.2, 66)]:
        d = rng.lognormal(np.log(mu), 0.14, 4000)
        rows.append(pd.DataFrame({"温升": d, "负载率": f"{L:.1f}"}))
    df = pd.concat(rows, ignore_index=True)
    sns.boxenplot(data=df, x="负载率", y="温升", hue="负载率", palette=PALETTE4,
                  width=0.62, linewidth=0.5, legend=False, ax=ax)
    ax.axhline(65, color=C2, lw=0.9, ls="--")
    ax.set_xlabel("负载率 " + IT["beta"])
    ax.set_ylabel("顶层油温升 " + IT["T"] + " / K")
    ax.set_ylim(25, 100)
    save(fig, "13_增强箱线图", "13_增强箱线图_温升长尾")

def bn_02():
    """万级负荷样本的增强箱线：看尾部有多厚。"""
    fig, ax = new_fig(left=0.19)
    rng = np.random.default_rng(1302)
    rows = []
    for seg, mu in [("谷段", 360), ("平段", 520), ("峰段", 690)]:
        rows.append(pd.DataFrame({"负荷": rng.lognormal(np.log(mu), 0.18, 5000),
                                  "时段": seg}))
    df = pd.concat(rows, ignore_index=True)
    sns.boxenplot(data=df, x="时段", y="负荷", hue="时段", palette=PALETTE3,
                  width=0.6, linewidth=0.5, legend=False, ax=ax)
    ax.set_xlabel("时段")
    ax.set_ylabel("有功负荷 " + IT["P"] + " / kW")
    ax.set_ylim(150, 1150)
    save(fig, "13_增强箱线图", "13_增强箱线图_负荷尾部")

def bn_03():
    """电压偏差的大样本分布：尾部越限程度。"""
    fig, ax = new_fig(left=0.19)
    rng = np.random.default_rng(1303)
    rows = []
    for area, mu, sd in [("城区", 0.4, 1.8), ("郊区", 1.4, 2.6), ("农村", 2.8, 3.6)]:
        rows.append(pd.DataFrame({"偏差": rng.normal(mu, sd, 6000), "区域": area}))
    df = pd.concat(rows, ignore_index=True)
    sns.boxenplot(data=df, x="区域", y="偏差", hue="区域", palette=PALETTE3,
                  width=0.6, linewidth=0.5, legend=False, ax=ax)
    ax.axhline(7, color=C2, lw=0.8, ls="--")
    ax.axhline(-7, color=C2, lw=0.8, ls=":")
    ax.set_xlabel("供电区域")
    ax.set_ylabel("电压偏差 / %")
    ax.set_ylim(-12, 16)
    save(fig, "13_增强箱线图", "13_增强箱线图_电压偏差尾部")

def bn_04():
    """谐波幅值的大样本增强箱线。"""
    fig, ax = new_fig(left=0.19)
    rng = np.random.default_rng(1304)
    rows = []
    for h, k in [("3 次", 2.2), ("5 次", 2.8), ("7 次", 3.6), ("9 次", 5.0)]:
        rows.append(pd.DataFrame({"幅值": rng.gamma(k, 30 / k, 5000), "次数": h}))
    df = pd.concat(rows, ignore_index=True)
    sns.boxenplot(data=df, x="次数", y="幅值", hue="次数", palette=PALETTE4,
                  width=0.6, linewidth=0.5, legend=False, ax=ax)
    ax.set_xlabel("谐波次数 " + IT["h"])
    ax.set_ylabel("谐波电流 " + IT["I"] + SUB["h"] + " / A")
    ax.set_ylim(0, 70)
    save(fig, "13_增强箱线图", "13_增强箱线图_谐波幅值")

def bn_05():
    """故障修复时长的长尾分布：增强箱线最适合这种偏态数据。"""
    fig, ax = new_fig(left=0.19)
    rng = np.random.default_rng(1305)
    rows = []
    for kind, mu, sd in [("计划检修", 3.2, 0.5), ("故障抢修", 4.8, 0.9)]:
        rows.append(pd.DataFrame({"时长": rng.lognormal(mu, sd, 4000), "类型": kind}))
    df = pd.concat(rows, ignore_index=True)
    sns.boxenplot(data=df, x="类型", y="时长", hue="类型", palette=[C5, C3],
                  width=0.55, linewidth=0.5, legend=False, ax=ax)
    ax.set_xlabel("作业类型")
    ax.set_ylabel("修复时长 " + IT["t"] + " / h")
    ax.set_ylim(0, 130)
    save(fig, "13_增强箱线图", "13_增强箱线图_修复时长长尾")

说明

• axes 级图 1181×944 px；figure 级多轴图按内容取 1100~1470 px 宽。
• 图内不放标题，图题由本文件的标题承担。
• 数据为 10 kV 配网、380 V 低压、50 Hz 量级的仿真算例，随机种子固定。