Summary  
This chapter covers creating and customizing box plots in code to visualize and summarize the distribution of numerical data using the five-number summary and additional styling parameters.  

General domain of usage  
Exploratory data analysis

Un `boxplot` est une méthode standardisée pour afficher la distribution des données basée sur un **résumé à cinq chiffres** :

1. **Minimum** (valeur la plus basse, hors valeurs aberrantes) ;
2. **Premier quartile (Q1)** (25e centile) ;
3. **Médiane** (50e centile) ;
4. **Troisième quartile (Q3)** (75e centile) ;
5. **Maximum** (valeur la plus élevée, hors valeurs aberrantes).

## Pourquoi utiliser un boxplot ?

Il s'agit du meilleur outil pour **comparer les distributions** entre groupes. Il indique immédiatement :

* **Tendance centrale :** où se situe la ligne de la médiane ? ;
* **Dispersion :** quelle est la hauteur de la boîte ? (l'intervalle interquartile) ;
* **Symétrie :** la médiane est-elle au centre de la boîte ? ;
* **Valeurs aberrantes :** y a-t-il des points en dehors des moustaches ?



## Paramètres clés

* **`saturation`** : contrôle l'intensité des couleurs (de 0 à 1). Des valeurs plus faibles rendent les couleurs plus atténuées ;
* **`linewidth`** : contrôle l'épaisseur des contours de la boîte et des moustaches ;
* **`width`** : contrôle la largeur de la boîte elle-même.



## Exemple

Voici un boxplot analysant le jeu de données "Tips". Remarquez comment les points représentant les valeurs aberrantes apparaissent au-dessus des moustaches.

import seaborn as sns
import matplotlib.pyplot as plt

# Load dataset
df = sns.load_dataset('tips')

# Create a boxplot
sns.boxplot(
    data=df,
    hue='day',
    x='day',
    y='total_bill',
    palette='coolwarm',
    linewidth=2,     # Thicker lines
    saturation=0.7   # Slightly muted colors
)

plt.show()

import unittest
import importlib
import sys
import pandas as pd
from unittest.mock import patch, MagicMock

# Helper function to dynamically generate test names and assertions
def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

class TestUserCode(unittest.TestCase):

    def setUp(self):
        self.patcher_csv = patch('pandas.read_csv')
        self.mock_read_csv = self.patcher_csv.start()
        
        # Provide real data structure for planets dataset
        self.mock_df = pd.DataFrame({
            'method': ['Radial Velocity', 'Imaging', 'Eclipse Timing', 'Transit'],
            'distance': [77.4, 15.0, 100.2, 500.0]
        })
        self.mock_read_csv.return_value = self.mock_df

    def tearDown(self):
        self.patcher_csv.stop()

    # Test custom style configuration
    def test_style_configuration(self):
        with patch('seaborn.boxplot'), patch('matplotlib.pyplot.show'):
            with patch('seaborn.set_style') as mock_style:
                if 'user_code' in sys.modules:
                    importlib.reload(sys.modules['user_code'])
                import user_code
            
            if not mock_style.called:
                 _dynamic_test(self, False, "", "Expected `sns.set_style()` to be called.")
                 return

            args, kwargs = mock_style.call_args
            
            style_name_correct = args[0] == 'ticks'
            
            # Check dictionary configuration
            rc_params = args[1] if len(args) > 1 else kwargs.get('rc', {})
            xtick_correct = rc_params.get('xtick.color') == 'white'
            ytick_correct = rc_params.get('ytick.color') == 'white'
            facecolor_correct = rc_params.get('figure.facecolor') == 'grey'

            _dynamic_test(
                self,
                style_name_correct and xtick_correct and ytick_correct and facecolor_correct,
                "The style is set to 'ticks' with white ticks and grey background.",
                "Expected `sns.set_style('ticks', {'xtick.color': 'white', 'ytick.color': 'white', 'figure.facecolor': 'grey'})`."
            )

    # Test boxplot implementation
    def test_boxplot_params(self):
        with patch('seaborn.boxplot') as mock_box:
            with patch('matplotlib.pyplot.show'):
                if 'user_code' in sys.modules:
                    importlib.reload(sys.modules['user_code'])
                import user_code
            
            if not mock_box.called:
                _dynamic_test(self, False, "", "Expected `sns.boxplot()` to be used.")
                return

            args, kwargs = mock_box.call_args
            
            # Check data binding
            x_check = kwargs.get('x') == 'distance'
            y_check = kwargs.get('y') == 'method'
            data_check = kwargs.get('data') is user_code.df

            # Check styling parameters
            width_check = kwargs.get('width') == 0.6
            linewidth_check = kwargs.get('linewidth') == 2
            saturation_check = kwargs.get('saturation') == 0.4
            palette_check = kwargs.get('palette') == 'vlag'

            _dynamic_test(
                self,
                all([x_check, y_check, width_check, linewidth_check, saturation_check, palette_check]),
                "The `boxplot` parameters (`width`, `linewidth`, `saturation`, etc.) are configured correctly.",
                f"Expected `width=0.6`, `linewidth=2`, `saturation=0.4`, `palette='vlag'`. Got: {kwargs}"
            )

    # Test show
    def test_show_used(self):
        with patch('seaborn.boxplot'):
            with patch('matplotlib.pyplot.show') as mock_show:
                if 'user_code' in sys.modules:
                    importlib.reload(sys.modules['user_code'])
                import user_code

                _dynamic_test(
                    self,
                    mock_show.called,
                    "The `plt.show()` function is used.",
                    "Expected `plt.show()` to be used to display the plot."
                )

if __name__ == '__main__':
    unittest.main()

test_code.py

Découvrez la puissance de la visualisation statistique des données conçue pour révéler des motifs et des relations. Utilisez Seaborn pour créer des graphiques de distribution, des cartes thermiques et des graphiques catégoriels informatifs avec un code minimal. Apprenez à appliquer des thèmes esthétiques et des palettes de couleurs qui rendent les données statistiques complexes accessibles et faciles à interpréter.

Résumé des données avec des boîtes à moustaches

Pourquoi utiliser un boxplot ?

Paramètres clés

Exemple

Solution