Nivel 5 · Lee el diagrama de caja

Cinco números en una imagen

Un diagrama de caja dibuja una distribución con cinco marcas:

• la mediana, la línea gruesa: la mitad de los valores a cada lado;
• la caja, de Q1 (percentil 25) a Q3 (percentil 75): la mitad central de los valores, así que su altura es el IQR del capítulo 1;
• los bigotes, que llegan a los valores más lejanos dentro de 1.5 × IQR de la caja;
• los puntos, valores más allá de los bigotes: los atípicos según la regla de Tukey.

g = clean.groupby("segment")["order_value"]
g.quantile([0.25, 0.5, 0.75]).unstack()
#             0.25     0.5      0.75
# business   289.68  682.66  1340.18
# consumer    69.98  189.95   433.99

El gráfico es estos números, dibujados. Eso facilita comprobar una lectura contra la tabla.

Comparar grupos

Los diagramas de caja se ganan su lugar cuando pones varios lado a lado. Compara tres cosas, en este orden:

1. Posición: ¿qué mediana es más alta? Los pedidos de empresas tienen una mediana de $682.66, más de tres veces la mediana de consumidores de $189.95.
2. Traslape: ¿una caja empieza por encima de la mediana de la otra? La caja de empresas empieza en $289.68, por encima de la mediana de consumidores, así que al menos el 75% de los pedidos de empresas supera a un pedido típico de consumidor.
3. Anchura: ¿qué caja es más alta? El IQR de empresas es $1,050.49, el de consumidores $364.01. Los pedidos de empresas varían mucho más, así que un “pedido típico de empresa” es una idea más laxa.

Ordena las cajas por mediana (aquí consumidores, luego empresas) para que el ojo lea un ranking.

Qué esconde un diagrama de caja

Un diagrama de caja no muestra nada sobre cuántos valores tiene cada grupo: 7,881 pedidos de consumidores y 2,964 de empresas reciben cajas del mismo ancho. También esconde la forma dentro de la caja, como dos picos. Cuando importa la cantidad o la forma, pon los tamaños de los grupos en las etiquetas o muestra un histograma al lado.

Los puntos también piden cuidado. Los consumidores tienen 664 pedidos más allá de los bigotes y las cuentas de empresa 212, porque los consumidores tienen más pedidos, no porque sus datos sean peores. Los puntos atípicos son una razón para mirar, como en el capítulo 1, no un veredicto.

Errores comunes

• Leer el tope de la caja como “la mayoría de los valores”. Solo el 25% de los valores está por encima de Q3.
• Leer la altura de la caja como un conteo. La altura es dispersión. Cada caja contiene la mitad central de su grupo.
• Tratar los puntos como errores. Son valores lejanos al centro; la mayoría son clientes reales.
• Recortar sin avisar. Este gráfico se detiene en $3,000 y la nota dice cuántos pedidos no se dibujan. Un eje cortado sin nota esconde la cola.