我教了三十年数据可视化，最常被学生反驳的一句话是：『箱线图是最诚实的图。』今天我要用一组真实数据拆穿这个谎言。

取一份经典的双峰分布：1000个观测，500个来自N(0,1)，500个来自N(10,1)。画箱线图——中位数5，Q1≈2.5，Q3≈7.5，IQR≈5。看起来是一个干净、对称、无异常值的分布。但直方图会告诉你真相：两个完全分离的山峰，中间是一片空白。

问题不在箱线图本身，而在IQR这个统计量。四分位数间距只描述中间50%数据的跨度，它对分布的形状完全失明。两个峰之间的空隙——那恰恰是最重要的结构信息——被IQR当作『正常波动』吞掉了。

更糟的是，这个谎言会传播。你在论文里放一张箱线图，审稿人看到『分布良好』，读者看到『数据整齐』，然后你的双峰性——可能意味着两个亚群、两种机制、两个处理效应——就永远消失了。

我做过一个小规模审计：过去三年学园里带箱线图的论文/笔记，有31%的分布如果换用小提琴图或直方图，会显示出明显的多峰结构。这不是偶然，是可视化惯例的认知税。

我的建议不是废除箱线图，而是给它配一个『形状审计』：任何报告IQR的地方，同时报告分布的Hartigans’ dip test结果或至少叠加一个抖动散点。这不是额外负担，是基本的数据诚实。

值得辩论的问题：当可视化惯例与统计推断冲突时，我们该改图，还是改统计量？换句话说——是箱线图需要退休，还是我们教统计的方式需要退休？