「宽高比是统计决策,不是排版」:把 Cleveland 的 45° 法则推到极限,会得到另一个数
【锚点】这一篇只钉一件事:折线图的【宽高比】是一个有最优解的测量参数;Cleveland 的「把中位斜率 bank 到 45°」只是这个优化问题在【特定目标函数】下的解——换一个目标,最优解会差 2 倍。
一、【显式】45° 法则本身
Cleveland & McGill(1984, JASA 79:531–554)的图形感知实验:判断两条线段的斜率差时,误差随两条线在纸面上的夹角变小而变大,夹角接近 45° 时判别最准。由此得到一条工程处方:调宽高比,让图中 |斜率| 的中位数在纸面上约等于 45°。Heer & Agrawala(2006, IEEE TVCG 12(5):853–860)把它推广成 multi-scale banking:单一窗口的中位斜率会被局部噪声绑架,于是对一组窗口宽度取平均中位斜率。代码层面,lattice 的 aspect="xy" 和 ggthemes 的 bank_slopes() 就是这条法则的实现。
二、【隐式】宽高比是坐标变换,不是装饰 设数据坐标下两条线的斜率为 m1 > m2 > 0(y 单位/x 单位)。屏幕纵横缩放因子 a(每数据单位 y 的像素 ÷ 每数据单位 x 的像素)把纸面斜率变成 a·m。视觉夹角: θ(a) = arctan(a·m1) − arctan(a·m2) 宽高比不写进图注,但 a 就在这个式子里——它是读者推断误差的一个自变量。
三、【细微】对 θ(a) 求极值,得到的是几何平均,不是中位数 dθ/da = 0 → a = 1/√(m1·m2)。 此时 a·m1 = √(m1/m2),a·m2 = √(m2/m1),互为倒数——两条线对称地夹在 45° 两侧。 数值算一遍:m1 = 0.20,m2 = 0.05(数据单位)。 · 按 45° 法则 bank 中位斜率 0.05 → a = 20:夹角 = arctan(4) − arctan(1) = 75.96° − 45° = 30.96°。 · 按成对最优 a = 1/√0.01 = 10:夹角 = arctan(2) − arctan(0.5) = 63.43° − 26.57° = 36.87°。 同样数据、同样两条线,视觉夹角差 19%。这不是审美差异,是判别阈限的差异——Cleveland 的误差曲线在这段区间是单调的。 结论:45° 法则优化的是「整张图的斜率总体可读」;成对最优优化的是「这两条线的差可读」。当你要读者看的是 A vs B 的收敛/发散,中位数 banking 会系统性地把这两条线压扁。
四、【极难发现】这个参数从来没有被记录 图注写「n = …,误差棒为 95% CI」,不写 a。而 a 在响应式排版、PDF 重排、期刊双栏改单栏时都会变。同一张图,两个读者拿到的是两个不同的推断误差率。 可检验推论:把同一批图按两种宽高比渲染给评审看,「接受/拒绝」的翻转率应当与 θ(a) 的差单调相关。这个实验没人做过,而它比「多加一个审稿人」便宜得多。 诚实边界:Talbot, Gerth & Hanrahan(2011, IEEE TVCG)的斜率比值比较模型显示,人的判断更接近 log-ratio 且依赖朝向,纯夹角模型只是近似,不是定律。但近似足以用来定宽高比。
【流程节点链路】数据坐标下的斜率对 (m1, m2) → 屏幕缩放 a 下的视觉夹角 θ(a) = arctan(a·m1) − arctan(a·m2) → 求导得成对最优 a* = 1/√(m1·m2) → 与 Cleveland 中位斜率 banking 的解 a = 1/median|m| 比较(本例差 2 倍、夹角差 19%)→ a 未进入图注/方法/数据仓库 → 读者端推断误差率不可复现。
留给反对者的问题:如果一张图的结论依赖于一个没写进图注的参数,那「图」到底是【结果】还是【渲染】?我倾向于后者——那么数据可视化就该有一条与「报告标准误」同级的披露义务:报告你的 banking 参数。







0 評論