在数据可视化领域，箱线图（Boxplot）是展示数据分布特征的经典工具。然而，当面对角度、时间、方向等具有周期性或环绕特性的数据时，传统的箱线图往往失效——比如，一个角度为350°与10°的点，虽然数值相差340°，但在实际意义上它们仅相距20°。如何让Matplotlib正确处理这类“环绕数据”，成为不少数据分析师和科研人员的痛点。本文将为您提供一种简洁高效的解决方案。

一、什么是“环绕数据”？

环绕数据（Circular Data）是指那些以循环方式测量的数值，常见于角度（0°-360°）、时间（0-24小时）、罗盘方向（0°-360°）等场景。其核心特征是：两个数据点之间的实际距离并非简单数值差，而是需要考虑循环边界。例如，350°和10°的线性差是340°，但在环形理解中，它们仅相差20°。传统箱线图基于线性坐标轴绘制，会将350°和10°视为相距很远的值，导致中位数、四分位数等统计量严重失真。

二、直接绘制的陷阱

假设你有一组环绕角度数据：[350, 355, 10, 15, 20, 340, 345]。直接用Matplotlib的boxplot函数绘制，结果将显示数据分布在340°-360°和0°-20°两个分离的区间，中位数大约在350°左右，这显然不能反映数据真实集中在0°附近（围绕360°和0°边界）的特征。更糟糕的是，异常检测会错误地将350°标记为正常值，而将10°视为离群点，完全颠倒了语义。

三、解决方案：两次“搬运”数据

核心思路是先将数据“展开”到线性空间，进行箱线图统计，再将其“折回”到环绕空间。具体分三步：

1. 选择参考点并调整数据

假设我们的环绕周期为360°，且数据大多分布在340°-20°之间（即跨越0°边界）。我们选择一个参考角度（如0°），将所有小于180°的角度加上360°，使其变为340°-380°的连续区间。这样，原本350°和10°就变成了350°和370°，在数值上连续。

import numpy as np
import matplotlib.pyplot as plt

data = [350, 355, 10, 15, 20, 340, 345]
# 调整数据：将所有小于180°的值加360
adjusted = [d if d >= 180 else d + 360 for d in data]

2. 绘制箱线图

此时adjusted的数据范围在340°-380°，在Matplotlib中绘制箱线图，统计量（中位数、四分位数等）基于连续数值计算，完全正确。

fig, ax = plt.subplots()
bp = ax.boxplot(adjusted, vert=False)  # 水平箱线图便于展示

3. 恢复数据点并标注环绕轴

为了在图上显示原始角度（0°-360°），我们需要对箱线图的坐标轴进行“包装”。方法是将x轴上的大于360°的刻度减去360回显为0°-360°的标签，并利用ax.set_xticks和ax.set_xticklabels自定义刻度。

此外，还需要对箱线图的箱子、须线和小提琴等元件进行类似转换。Matplotlib的箱线图对象提供了丰富的属性，可以获取分位数、须线端点等坐标，并对它们进行% 360取模操作。

完整的函数封装如下：

def circular_boxplot(ax, data, period=360, reference=0):
    # 1. 调整数据
    adjusted = [d if d >= reference else d + period for d in data]
    # 2. 绘制箱线图（不显示原始点）
    bp = ax.boxplot(adjusted, positions=[0], vert=False, patch_artist=True)
    # 3. 转换箱线图各元素坐标回环绕空间
    # 注意：这里需要修改box、whisker、median等所有元素的x坐标取模
    for element in ['boxes', 'whiskers', 'medians', 'caps']:
        for item in bp[element]:
            xdata = item.get_xdata()
            item.set_xdata(xdata % period)
    # 4. 设置x轴刻度为0-360
    ax.set_xticks(np.arange(0, period+1, 60))
    ax.set_xlim(0, period)
    ax.set_xlabel('Angle (°)')
    return bp

四、实战案例：风向数据

假设你有一组气象站记录的风向角度（0°表示北风，90°东风，180°南风，270°西风），数据为[350, 355, 5, 10, 15, 340]，明显集中在北风附近（跨越0°）。调用上述函数：

data = [350, 355, 5, 10, 15, 340]
fig, ax = plt.subplots(figsize=(8,2))
circular_boxplot(ax, data)
plt.show()

得到的结果中，箱子将正确显示在350°-15°之间（即箱体内数据范围跨越0°但物理上连续），中位数约为355°，上下须线延伸到340°和20°左右。对比传统箱线图（两个分离箱子），该方案直观刻画了数据的集中趋势。

五、注意事项与扩展

  • 参考点的选择：需要根据数据集中趋势预先选择，一般取数据分布的“中心”附近（如中位数或众数）。如果数据均匀分布在圆环上，则箱线图本身可能不适用。
  • 多个分组的环绕箱线图：上述方法可直接用于多个组，只需在boxplot中传入多个数据集，并在转换坐标时分别处理。
  • 异常值处理：环绕数据的异常值检测需基于环绕距离（circular distance），而非绝对差值。例如，350°和10°的距离是20°而非340°。可以在绘制前用循环统计量（如scipy.stats.circmean）辅助识别。

六、总结

用Matplotlib绘制环绕数据的箱线图，关键在于克服线性坐标轴的局限性。通过临时“展开”数据至线性空间，利用箱线图算法计算统计量，再将其坐标取模回绕至环形区间，即可获得正确的可视化结果。该方案无需额外安装第三方库，仅依赖NumPy和Matplotlib自带功能，非常适合快速整合进现有数据分析流程。

当你的数据开始“绕圈”时，别忘了试试这个“先展后绕”的小技巧——它能让你的箱线图真正讲出数据的故事。