針對受試者自評的「眼睛乾澀程度（Eye_Dryness_Level）」與「眼痛程度（Eye_Pain_Level）」兩大核心生理指標，利用箱形圖與小提琴圖檢視其集中趨勢、分散程度與離群值型態。

一、實作前情境：為什麼量表評分特別適合小提琴圖？
昨天我們用直方圖看完了連續型變數（螢幕時間、睡眠時間）。但今天的兩個核心症狀指標：

• Eye_Dryness_Level（眼睛乾澀程度，0~10 分）
• Eye_Pain_Level（眼痛程度，0~10 分）

這類自評量表屬於離散型數值。若僅依賴平均值（乾澀4.71分、眼痛5.08分），容易忽略資料的分佈型態，無法辨識樣本是多數集中於中位數5分的單峰分佈，抑或呈現兩極化（低分組與重度症狀組並存）的雙峰特徵。

因此，今天結合兩種互補的統計圖表：箱形圖：精準標出中位數（Q2）、上四分位數（Q75）、下四分位數（Q25）以及是否有超過1.5xIQR的極端離群值。小提琴圖：結合核密度估計（KDE），展示分數在各刻度上的胖瘦厚度，一眼看出分數在量表兩端的擁擠程度。

二、撰寫雙指標視覺化腳本
在同一個Colab筆記本中新增儲存格，延續昨天封裝好的my_font字型物件進行繪圖：

# ==========================================
# Day7：症狀量表視覺化（箱形圖+小提琴圖）
# ==========================================

import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.font_manager as fm

# 確保引用已下載的字型
font_path = 'NotoSansTC-Regular.otf'
my_font = fm.FontProperties(fname=font_path)

# 1.建立2x2畫布佈局
fig, axes = plt.subplots(2, 2, figsize=(14, 10))
sns.set_theme(style="whitegrid")

# 圖1：眼睛乾澀程度 (箱形圖) ---
sns.boxplot(y=df['Eye_Dryness_Level'], ax=axes[0, 0], color='#4a90e2', width=0.4)
axes[0, 0].set_title('眼睛乾澀程度分佈 (箱形圖)', fontproperties=my_font, fontsize=13, fontweight='bold')
axes[0, 0].set_ylabel('乾澀評分 (0-10 分)', fontproperties=my_font, fontsize=11)

# 圖2：眼睛乾澀程度 (小提琴圖) ---
sns.violinplot(y=df['Eye_Dryness_Level'], ax=axes[0, 1], color='#4a90e2', inner='quartile')
axes[0, 1].set_title('眼睛乾澀程度密度分佈 (小提琴圖)', fontproperties=my_font, fontsize=13, fontweight='bold')
axes[0, 1].set_ylabel('乾澀評分 (0-10 分)', fontproperties=my_font, fontsize=11)

# 圖3：眼痛/眼壓不適程度 (箱形圖) ---
sns.boxplot(y=df['Eye_Pain_Level'], ax=axes[1, 0], color='#e26a6a', width=0.4)
axes[1, 0].set_title('眼痛程度分佈 (箱形圖)', fontproperties=my_font, fontsize=13, fontweight='bold')
axes[1, 0].set_ylabel('眼痛評分 (0-10 分)', fontproperties=my_font, fontsize=11)

# 圖4：眼痛/眼壓不適程度 (小提琴圖) ---
sns.violinplot(y=df['Eye_Pain_Level'], ax=axes[1, 1], color='#e26a6a', inner='quartile')
axes[1, 1].set_title('眼痛程度密度分佈 (小提琴圖)', fontproperties=my_font, fontsize=13, fontweight='bold')
axes[1, 1].set_ylabel('眼痛評分 (0-10 分)', fontproperties=my_font, fontsize=11)

plt.tight_layout()
plt.show()

三、圖表解讀與統計觀察
由輸出的2×2視覺化圖表，可深入解析兩項自評症狀量表的集中趨勢與分佈形狀：
1.箱形圖解析：標準分佈且無統計離群值

• 眼睛乾澀程度 (Eye_Dryness_Level)：中位數（Q2）精確落在5.0分，下四分位數（Q1）為2.0分，上四分位數（Q3）為7.0分，四分位距（IQR=5.0）。上下鬚線涵蓋了0至10分的完整範圍，未出現任何超出1.5xIQR的離群點。
• 眼痛程度 (Eye_Pain_Level)：中位數同樣為5.0分，Q1為2.0分，Q3達到8.0分（IQR=6.0），顯示眼痛程度在高分段的分散程度略大於乾澀指標。整體數值邊界同樣收斂於0至10分內，資料完整且無極端噪聲。

2.小提琴圖解析：均勻多峰與密度分佈

• 右側小提琴圖內部的三條虛線分別對應了Q1、中位數與Q3，圖體輪廓由核密度估計（KDE）擬合而成。
• 眼睛乾澀程度：琴身在約2分與7分附近呈現向外膨脹的輪廓，反映出低度不適與中高度乾澀兩群受試者並存的分佈特徵。
• 眼痛程度：琴體腹部呈現上下相對寬闊的桶狀形態，各評分刻度的人數分佈相對均勻，未出現極端集中於單一分數的尖銳單峰。
• 註：小提琴圖上下延伸至負數與大於10的部分，為Seaborn進行KDE高斯平滑估計時產生的邊界延伸效應，原始資料嚴格落於0~10分之內。

這兩項指標在500位受試者中呈現出足夠的離散度與個體差異，且中位數均位於量表中點，為後續與生活因子進行交叉關聯分析建立了極佳的基礎。