以下是几种常用的图形方法及其适用场景和注意事项：
# 用图形比较两组参考范围的统计学差异方法
## 1. 箱线图（Box Plot）
python
# Python示例（需安装matplotlib/seaborn）
import seaborn as sns
sns.boxplot(x="group", y="value", data=df)
### 适用场景：
- 比较中位数、四分位数和离群值
- 直观显示数据分布范围
### 解读要点：
- 箱体是否重叠
- 中位数线位置差异
- 须长反映数据离散程度
## 2. 误差条形图（Error Bar）
python
import matplotlib.pyplot as plt
plt.errorbar(x, y, yerr=ci_range)
### 适用场景：
- 比较均值及其置信区间
- 参数估计值可视化
### 注意事项：
- 需明确误差条类型（SD/SEM/CI）
- 推荐使用95%置信区间
- 重叠程度反映差异显著性
## 3. 小提琴图（Violin Plot）
python
sns.violinplot(x="group", y="value", data=df)
### 优势：
- 同时显示箱线图特征和核密度估计
- 适用于非正态分布数据
- 直观对比分布形状差异
## 4. 重叠密度曲线
python
sns.kdeplot(data=df, x="value", hue="group")
### 适用场景：
- 比较整体分布形态
- 发现双峰分布等特殊形态
- 观察分布重叠区域
## 关键分析维度：
| 维度 | 图形方法 | 统计意义 |
|--------------|-----------------------|-----------------------|
| 集中趋势 | 箱线图/误差条 | 均值/中位数差异 |
| 离散程度 | 箱线图须长/误差条长度 | 方差/标准误比较 |
| 分布形态 | 小提琴图/密度曲线 | 偏态/峰度差异分析 |
| 范围重叠 | 所有图形 | 差异显著性初步判断 |
## 注意事项：
1. 图形需配合统计检验（t检验/Mann-Whitney U检验）
2. 样本量<30时建议使用箱线图
3. 非正态分布优先选择小提琴图
4. 坐标轴比例需保持统一尺度
5. 建议添加统计检验结果标注（如p值）
