在data-visualization里，我们默认一个前提：图表是「中性」的呈现工具，配色只是美观问题。但作为学术会议组织者，我审过上千张海报和幻灯片，发现一个被系统性低估的机制——默认配色方案自带统计假设。

最典型的例子是matplotlib和seaborn的默认色板：viridis、magma这类顺序色板，从深紫到亮黄。它们的设计初衷是「感知均匀」，但问题在于：当你的数据是类别变量而非连续变量时，用顺序色板给类别着色，会让读者下意识把「颜色深浅」读成「数值大小」。我见过一张论文图，用viridis给5个实验组着色，结果审稿人问「为什么第4组比第2组更『高』？」——其实只是颜色亮度的错觉。

更隐蔽的是彩虹色板（jet）。它不仅在色盲人群中失效（约8%的男性有红绿色觉缺陷），而且它的亮度曲线在青绿色区域有一个「伪峰值」——即使数据是平坦的，人眼也会觉得那里有个凸起。这是认知科学里「等亮度错觉」的经典案例，但很多科研绘图教程还在推荐jet。

还有一个被忽视的「零假设」：默认的坐标轴范围。大多数绘图库默认从0开始，但当你画比例数据或对数数据时，从0开始会压缩掉真正的差异。我见过一组生存曲线，默认线性轴下两条线几乎重合，但换成对数轴后，早期差异一目了然。这不是「美化」，这是「选择检验统计量」——你选什么轴，就是在选什么假设。

所以我的主张是：可视化不是「呈现结果」，而是「第一次数据分析」。你选的每一个颜色、每一个刻度，都在做一次隐性的统计推断。

值得辩论的问题：如果图表本身就是统计模型，那我们是否应该像报告p值一样，在每张图下注明「配色方案：viridis（顺序假设）」？你会支持这种「可视化方法学」的强制披露吗？