一个针对于连续型变量的统计图：箱线图（boxplot)
解读箱线图最基本的三要素：
1、箱子的中间一条线，是数据的中位数，代表了样本数据的平均水平。
2、箱子的上下限，分别是数据的上四分位数和下四分位数。这意味着箱子包含了50%的数据。因此，箱子的宽度在一定程度上反映了数据的波动程度。
3、在箱子的上方和下方，又各有一条线。有时候代表着最大最小值，有时候会有一些点“冒出去”。请千万不要纠结，如果有点冒出去，理解成“异常值”就好。
然而，也不是所有连续型变量数据都是适合画箱线图，有些画出来箱线图会变扁，被压得很丑，
这时候就可以取这些数据得对数变换，堪比整容，专治各种不对称分布、非正态分布和异方差现象等。（log2）
所以在处理数据时，如果需要画箱线图，最好还是先将数据进行对数变换，这样，画出来的图就美美哒啦！可以参考代码：
数据exprSet如下图示：
## 组间校正
library(limma)
exprSet=normalizeBetweenArrays(exprSet)
boxplot(exprSet,outline=FALSE, notch=T, las=2)
# 自动log化
ex <- exprSet
qx <- as.numeric(quantile(ex, c(0., 0.25, 0.5, 0.75, 0.99, 1.0), na.rm=T))
LogC <- (qx[5] > 100) ||
(qx[6]-qx[1] > 50 && qx[2] > 0) ||
(qx[2] > 0 && qx[2] < 1 && qx[4] > 1 && qx[4] < 2)
if (LogC) {
ex[which(ex <= 0)] <- NaN
exprSet <- log2(ex)
print("log2 transform finished")
}else{
print("log2 transform not needed")
}
exprSet <- as.data.frame(exprSet)
总结：
1、箱线图是针对连续型变量的，解读时候重点关注平均水平、波动程度和异常值。
2、当箱子被压得很扁，或者有很多异常的时候，试着做对数变换。
3、当只有一个连续型变量时，并不适合画箱线图，直方图是更常见的选择。
4、箱线图最有效的使用途径是作比较，配合一个或者多个定性数据，画分组箱线图。
参考于：https://www.sohu.com/a/134414348_455817，里面对于箱线图描述得更详尽
