# 一张图只服务一个结论：先写下那句话，再选图，最后砍到只剩证据

图表不是数据的容器，而是比较的放大器；先写出这张图要证明的那句完整结论，再按“观众要做哪种比较”选图型，最后按数据墨、冗余数据墨、非数据墨三类把无关内容砍掉。

> 数据图表 · 结论先行 · 视觉层次 · 约 6 分钟 · 10 月 17 日

## 本篇要点

1. 图表是为一次比较服务的：动手画图之前，先写下这张图要证明的那一句完整结论，“各区域续约率”不是结论，“南区比其余五区低 18 个百分点”才是。
2. 观众读图是在反解一次视觉编码：数字被翻译成位置、长度、角度、面积、颜色深浅，而 Cleveland 与 McGill 的实验给出的准确度排序是同刻度上的位置最准，其次是不同刻度上的位置，再是长度、方向、角度，然后是面积、体积，明暗与颜色饱和度最差。
3. 这条排序解释了立体柱状图和饼图为什么吃亏：前者把读长度变成读体积加透视，后者用角度和面积编码，都排在长度之后。
4. 选图要按“结论要求观众做哪种比较”来定，而不是按数据长什么样：随时间变化用折线，比大小排名用排序条形，部分与整体用堆叠条或条形，偏离基准用带零线或目标线的条形，看相关用散点。
5. 砍元素时先分三类：删掉就丢信息的是数据墨（数据条、轴标签、标题、单位），说两遍的是冗余数据墨（柱宽、条上数字与刻度重复、图例），跟数字无关的是非数据墨（背景填充、网格线、边框、立体阴影）。
6. 砍的顺序是先删最占地方的非数据墨；一个演示里的实例是从约 3.5% 的数据墨比例提到约 9%，靠的是依次去掉背景填充、网格线、边框、过宽的柱子和重复标注。
7. 数据墨比例不是越高越好：一路删到 100% 时标题、单位都没了，读者反而不知道自己在看什么；它的作用是帮你找到删无可删的停手点。
8. 条形图的纵轴必须从零开始，截断会用面积差把数值差放大数倍。
9. 如果结论本身就是“数据是分散的”，就该用分布图而不是平均值条形图，把分布压成一个平均值会让结论消失。
10. 每张图只强调一处，把支持结论的那一点或那一条变亮、其余压灰，既降低阅读成本，也在提醒观众这张图只证明这一句。

---

上一篇我们把页面对齐了，页面看上去稳了。可很多人的 PPT 里还埋着另一颗雷：一张贴上去的 Excel 默认图表——六个系列、五年数据、渐变色、立体柱、底下一行图例。

主管盯着它问：“所以你想让我看什么？”

你答不上来。这不是图画得不好，而是这张图从来没被要求“证一句话”。数字是有的，结论没写下来。

## 先写下这句话，再动手

前面几篇立过一条规矩：每页标题要是一句能被反对的结论。图表层面是同一条规矩的下一层——动手拖图表之前，先把这张图要证明的那句话写下来。不是“各区域续约率”，而是“南区续约率只有 61%，比其余五个区低 18 个百分点以上”。

写不出这句，说明你还没想清楚要它干什么。这时候去挑图型，等于让手上那份数据表替你决定重点——和“先挑模板”是同一种错。

这句话之所以关键，是因为它决定了观众看图时要做的那一次比较。

## 观众读图，是在反解一次编码

图表是台翻译机：它把数字翻译成视觉属性——位置、长度、角度、面积、颜色深浅。观众读图，就是把这些属性再翻译回数字。这个过程叫**视觉编码**。

不同的视觉属性，翻译的准确度差得很远。Cleveland 和 McGill 在 1984 年做过一组实验，让人在各种图上记录自己对数值的判断，再按判断的准确程度给这些“基本感知任务”排序[3]：

$$\text{同一条刻度上的位置} > \text{不同刻度上的位置} > \text{长度、方向、角度} > \text{面积} > \text{体积、曲率} > \text{明暗、颜色饱和度}$$

要知道 A 比 B 大多少，看两条从同一条基准线出发的柱子（长度），比读两个圆的面积、比一块颜色深浅，都可靠得多。

这条排序解释了几个“都知道不好、说不清为什么”的毛病：

- **立体柱状图**把你本来只读长度的一件事，变成读体积加透视，而体积排在长度后面。
- **饼图**用角度和面积编码，都排在长度之后。后来的研究还发现，人读饼图倚重的更可能是面积和弧长，而不是圆心角[5]——但这两者同样排在长度之后，结论不变。

这条排序衡量的是定量判断的准确度，不是好坏的全部。饼图在表达“这几块加起来是全部”上并不差，只是当观众要读出具体比例时，它不划算。

## 比较类型决定图型

选图就有了依据：把结论句里的比较归到下面某一种，再按类选图[4]。

| 结论要观众做的事 | 比较类型 | 首选图型 |
| --- | --- | --- |
| 看它怎么变 | 随时间变化 | 折线 |
| 看谁大谁小 | 排名与量级 | 排序条形图、点图 |
| 看谁占多少 | 部分与整体 | 堆叠条、条形 |
| 看高出基准多少 | 偏离基准 | 带零线或目标线的条形 |
| 看两个量是否一起动 | 相关 | 散点 |

关键词是“观众要做哪种比较”，不是“数据长什么样”。同一份六行的区域数据，论证“南区掉队了”，它是排名图；论证“只有南区逐月下滑”，它就是折线图。数据没变，图该变。

```mermaid
flowchart LR
  A["写下一句结论"] --> B["结论要求哪种比较"]
  B --> C["选能读准的视觉编码"]
  C --> D["确定图型"]
  D --> E["砍掉与这句结论无关的数据和装饰"]
```

## 砍：三种墨，三种待遇

图型定了，把图上每一处元素过一遍。Tufte 用**数据墨比例**来分：数据墨是图上用来表示数字的墨，这个比例就是它占全部墨的多少[1][2]。按这个思路，元素分三类：

- **数据墨**：删掉就丢信息——数据条或数据点、刻度、坐标轴标签、标题、单位。
- **冗余数据墨**：同一个信息说了两遍——柱子的宽度（数值靠高度说，宽度不承载信息）、条上标了数字而轴上又有刻度、图例加颜色再加文字。
- **非数据墨**：跟数字无关——背景填充、网格线、边框、立体阴影、渐变。

一个演示把同一张图从默认样式改到克制样式，比例从约 3.5% 提到约 9%，靠的就是依次删掉背景填充、网格线、边框、过宽的柱子和重复的数值[2]。**顺序基本是“先删最占地方的非数据墨”**，一上来抠线条粗细是白费力气。

只有三个动作就能覆盖大部分收益：去掉填充和网格、删掉图例改成直接在数据旁标注、每张图只强调一处——把支持结论的那一条变亮，其余压成同一种灰。最后这个动作尤其重要：只强调一处，本身就在提醒观众“这张图只证明这一句”。

## 走一遍完整流程：南区续约率

假设你手上有一张表：六个大区、上季度企业客户续约率、各自的客户数，以及连续六个月的月度数据。

**第一步，写结论句。** “南区续约率 61%，比其余五区低至少 18 个百分点。”

**第二步，看这句要求什么比较。** 是比大小、比排名，不是看趋势，也不是看占比。

**第三步，按这个比较选编码和图型。** 比大小就用位置和长度——排序后的横向条形图，南区放最上面并高亮。

**第四步，砍。** 图上只放六个区域的续约率，一共六个数；月度数据、客户数、客单价全部不放，它们不是这句结论的证据。删掉图例（只有一组数据，它在说废话）。数值直接标在每条的末端，轴上的刻度只留两个端点。删掉背景填充、网格线、边框、渐变。标题写那句结论，不写“各区域续约率”。视觉上只强调一次：南区实色，其余五区同一种灰。

四十秒能改完，观众三秒读到你要他读到的比较。客户数和客单价不是不重要，它们属于下一页。

## 哪里不能砍

**轴标签、单位、标题属于数据墨。** 一路删到“只剩数据”，比例能冲到 100%，可这张图已经没人知道横轴是什么、单位是什么[2]。数据墨比例不是记分牌，它的用处是帮你找到删无可删的停手点。

**条形图的纵轴要从零开始。** 条形用长度表示数值，截断纵轴会让视觉差距成倍放大：同一组数，从零起和从中间起，后者画出的面积差可能是数值差的近三倍[6]。

**如果结论本身就是“分散”，别为了简单把它抹掉。** 假如这句话是“客户规模集中在中长尾，前 10 家客户只贡献 12% 的收入”，你需要的是分布图（直方图、散点），而不是一个平均值条形图——压成平均值，看起来干净了，结论却没了。

## 交出去之前，问三句

1. 这张图的结论句是哪一句？标题是不是就是它？
2. 这个图型是按“观众要做哪种比较”选的，还是按“我手上有什么数据”选的？
3. 删掉每一样东西时，我确认过它不承载这句结论需要的信息吗？

三句都过了，你的图就不再是数据的展示柜，而是一份证据。

## 术语表

- 视觉编码：把数字翻译成位置、长度、角度、面积、颜色深浅这类视觉属性的过程；观众读图就是反过来把它们翻译回数字。
- 基本感知任务的准确度排序：Cleveland 与 McGill 通过实验排出的顺序——同刻度上的位置 > 不同刻度上的位置 > 长度、方向、角度 > 面积 > 体积、曲率 > 明暗、颜色饱和度；它衡量的是定量判断的准确度。
- 比较类型：结论句里观众要做的那一次比较属于哪一类，例如随时间变化、排名与量级、部分与整体、偏离基准、相关；先定比较类型，再在图型类别里挑图。
- 数据墨比例：图上用来表示数字的墨占全部墨的比例，用来判断还有哪些元素可以删。
- 冗余数据墨与非数据墨：前者是同一个信息说了两遍（柱宽、图例、数值与刻度重复），后者跟数字无关（背景填充、网格线、边框、立体阴影）。

## 来源

1. [Edward Tufte, The Visual Display of Quantitative Information（含 Data-Ink 与 Chartjunk 章节）— 数据墨比例与干扰性装饰概念的原始出处](https://jwmason.org/wp-content/uploads/2021/08/Tufte-The-Visual-Display-of-Quantitative-Information.pdf)
2. [Tufte's Razor · An interactive guide to the data-ink ratio — 同一张图逐步删减、比例从约 3.5% 升到约 9%，以及删到 100% 会丢失标题与单位的演示](https://tuftesrazor.scienceux.org/)
3. [Cleveland & McGill, Graphical Perception: Theory, Experimentation, and Application（1984）— 基本感知任务准确度排序的实验来源](http://euclid.psych.yorku.ca/www/psy6135/papers/ClevelandMcGill1984.pdf)
4. [Financial Times Visual Vocabulary — 先确定故事中最重要的数据关系，再据此挑图型的分类框架](https://ft-interactive.github.io/visual-vocabulary/)
5. [Kosara, Evidence for Area as the Primary Visual Cue in Pie Charts — 读饼图倚重的是面积而非圆心角的实验证据](https://doi.org/10.1109/visual.2019.8933547)
6. [Principles of Good Visualization（Statistical Thinking for the 21st Century）— 误导因子的定义，以及纵轴是否包含零对条形图的影响](https://stats.libretexts.org/Bookshelves/Introductory_Statistics/Statistical_Thinking_for_the_21st_Century_(Poldrack)/06%3A__Data_Visualization/6.02%3A_Principles_of_Good_Visualization)

---

原文：https://pangzhengboyin.com/articles/one-conclusion-per-chart-8b061b9f

> **庞征博引** · 想学的，慢慢都会
>
> 庞征博引是把想学的东西写成连载的 AI 学习工具。说出想学什么，它会先了解你的基础，再把主题写成一篇篇 5–10 分钟能读完的文章；边读边问，接下来学什么跟着你走。这篇就是这样写出来的。
>
> 开始你自己的连载 → https://pangzhengboyin.com