解决：添加fig.suptitle('')

fig,ax=plt.subplots(figsize=(8,6))
df[df.path_num!=2].boxplot(column=['travel_time'],by='path_num',grid=False,ax=ax)
fig.suptitle('')# 设置主标题
plt.xlabel('path_num')
plt.ylabel('travel_time')
plt.title('晚高峰') # 设置副标题
注：我暂时没想到很好的解决方法，欢迎留言讨论，谢谢！
                    问题：如何删除下图的“Boxplot grouped by path_num?”# 生成上图的代码fig,ax=plt.subplots(figsize=(8,6))df[df.path_num!=2].boxplot(column=['travel_time'],by='path_num',grid=False,ax=ax)plt.xlabel('path_num')plt.ylabel('travel_time')plt.title('晚高峰')解决：添加fig.suptitle(''
				
Pandas是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。本文主要介绍一下Pandas中pandas.DataFrame.boxplot方法的使用。
原文地址：Python pandas.DataFrame.boxplot函数方法的使用
				
使用pandas里的dataframe数据结构存放待显示的数据。 
dataframe和Series的知识不再讲解，可以看这个博文。 
如果希望显示的各个数据列表中，数据长度不一致，可以先用Series函数转换为Series数据，再存储到dataframe中，对应index的value值若不存在则为NaN 
正常情况下，若各组数据长度一致，则dataframe长这样： 
				
首先，使用dataframe.boxplot()画图时，参数参考pandas.DataFrame
DataFrame.boxplot（column = None，
		by = None，ax = None，
		fontsize = None，
		rot = 0，grid = True，
		figsize = None，
		layout = None，
		return_type = None，** kwds ）
column ： str或str的列表，可选列名或名称列表或向量。可以是.
				
问题如上所示，绘制箱型图时发现在箱型图的上下边界出现许多散点，如何去除呢？只需要在绘制时添加一个命令即可：
 ax.boxplot(data[h],
 0,'',#就是这一步就可以去除连续的散点
 showmeans=True, 
 vert=True  # vertical box aligmnent
绘图代码如下，添加之后就去掉了：
fig = plt.figure(figsize=(20,12))
for i in range(4):
    ax = fig.ad.
				
设备活跃数(日、周、月)
增加 is_weekend 和 is_monthend 字段的意义在于将日周月三个量的计算频率保持一致，都是每天执行一次，后续如果想求完整的周活只要是 字段为 Y 就行
-- 创建表
drop table if exists ads_uv_count;
create external table ads_uv_count(
    `dt` string COMMENT '统计日期',
    `day_count` bigint COMMENT '当日用户数量',
# x 为formula
boxplot(formula, data = NULL, ..., subset, na.action = NULL, drop = FALSE, sep = ".", lex.order = FALSE)
1. 基本用法
boxplot(rnorm(100,10,2))
M <- matrix(1:15,ncol=3,nrow=5)
pd.set_option('display.max_rows', None)
#设置value的显示长度为100，默认为50
pd.set_option('max_colwidth',100)
3、筛选掉一些不
				
pandas中的group函数可以将数据按照指定的列进行分组，然后对每个分组进行聚合操作，例如求和、平均值等。具体用法如下：
1. groupby函数：按照指定的列进行分组，返回一个GroupBy对象。
2. agg函数：对每个分组进行聚合操作，可以使用内置的聚合函数，也可以自定义聚合函数。
3. apply函数：对每个分组应用自定义函数。
4. transform函数：对每个分组应用自定义函数，并返回一个与原始数据大小相同的Series或DataFrame。
例如，下面的代码将数据按照"Country"列进行分组，然后计算每个分组的平均值：
import pandas as pd
data = pd.read_csv("data.csv")
grouped = data.groupby("Country")
result = grouped.mean()
以上是pandas中group函数的基本用法，更多详细用法可以参考官方文档。