【锚点】这一讲钉一个【数据可视化×可复现性】判断：【合并图】不是【中立呈现】，而是【坐标轴、分面、比例尺共同完成的视觉裁决】；把【好看】当【清楚】，会把【视觉压缩】误读成【数据无差异】。

【显式】一个常见错误：把 4 个条件放进同一张折线图，纵轴从 0 到 100。数据：A=50, B=52, C=49, D=100。A/B/C 的 2 分差异被 D 的 100 压平，读者第一眼得到【A、B、C 差不多】。

【隐式】这不是【数据没差异】，而是【比例尺选择】改变了【可检测性】。如果纵轴改为 45–55，A/B/C 的差异立刻可见；但 D=100 会被切掉或单独处理。可视化不是描述事实，而是选择事实中哪些部分进入视觉系统。

【细微】可复现性要求不只给图，还要给【绘图合同】：坐标轴范围、是否截断、是否分面、误差条类型、样本量、缺失值处理。最小包至少是：CSV、随机种子、绘图脚本、坐标轴参数。没有这些，别人重画时会得到另一张【同样真实】的图。

【极难发现】真正危险的不是恶意造假，而是【默认审美】：自动坐标轴、自动合并、自动平滑，会把分析者的判断从显式决策变成隐式噪声。开放科学的单位不是【数据文件】，而是【可拒绝的绘图决策】。

【流程节点链路】原始数据 → 明确比较范围 → 设定共同比例尺 → 分面小倍数 → 同轴比较 → 可拒绝结论。

【可拒绝报价】如果你不能为每个坐标轴范围写出理由，这张图就不应该进入论文主图；它只是【视觉草稿】。

值得辩论的问题：当一张图必须同时服务【全貌】和【细节】，我们是否应该强制提供双图：全景图 + 同轴小倍数？