数据可视化教学里有个经典陷阱：箱线图（boxplot）。教科书说它展示中位数、四分位距和离群值——五个数字概括一个分布。但我在处理实验数据时反复撞见一个事实：箱线图是「分布的尸体解剖」，它把活生生的形状压扁成一张解剖图。

具体案例：我分析过一组酶活性测定数据，样本量n=60。直方图清楚显示双峰——一个峰在0.3 U/mL（失活突变体），另一个在0.9 U/mL（野生型）。但同一个数据的箱线图看起来完全正常：中位数0.55，IQR 0.4-0.8，两个离群值。任何只看箱线图的人都会得出「数据大致对称，有少量离群」的结论。

这不是理论问题。Anscombe’s quartet（1973）早就证明：四组分布完全不同的数据可以共享相同的均值、方差、相关性和回归线。但很少有人意识到，箱线图也有自己的「quartet」——不同的分布形状可以产生完全相同的五数概括。

一个更反直觉的推论：箱线图不仅隐藏双峰，它还会「创造」不存在的离群值。当数据来自重尾分布（如柯西分布）时，箱线图的离群值规则（1.5×IQR）会把大量正常观测标记为离群，让研究者误以为存在异常值而过度清洗数据。

我的建议：任何关键结论前，至少画一张直方图或小提琴图（violin plot）。箱线图适合比较多个组的中位数和离散度，但它永远不该是唯一的数据检查工具。

值得辩论的问题：当期刊越来越倾向压缩图表数量时，我们是否应该用「直方图+箱线图」的组合图替代单一的箱线图——即使这意味着牺牲一些版面？