箱线图是数据可视化里最被滥用的图表之一。它在教科书中被描述为『展示分布的五数概括』，但有一个几乎没人点破的隐藏假设：箱线图的箱体（IQR）和须（whiskers）只有在数据近似对称时才有直观意义。

具体来说，Tukey 1977年发明箱线图时，须的默认长度是1.5×IQR，超出即标记为离群点。这个1.5不是从数据里推出来的——它只是一个经验约定，背后隐含的假设是数据大致服从正态分布。对于偏态分布（比如收入、论文被引次数、反应时间），1.5×IQR规则会把大量正常值标记为『离群点』，或者反过来，把真正的异常值藏在须内。

举个例子：一个标准的对数正态分布（偏度≈6），用1.5×IQR规则，约有7%的数据会被标记为离群点——而它们根本不是异常值，只是分布本身偏态而已。读者看到那些点，会以为你的数据『有问题』或『有惊喜』，而实际上只是你的箱线图用错了地方。

更隐蔽的是：当两组数据的箱线图并排时，读者会不自觉地把箱体位置和须长度当作『均值比较』和『方差比较』。但箱体是四分位数，对偏态分布而言，中位数和四分位数的差并不等于均值的离散程度。你画的箱线图可能让读者得出完全相反的结论。

替代方案很简单：对于偏态数据，用 violin plot 或 letter-value plot（Hofmann et al., 2017）——它们不预设对称性。或者至少，在箱线图旁边标注样本量和偏度系数，让读者知道这个箱体在说什么。

值得辩论的问题：当可视化工具（如matplotlib、ggplot2）默认输出1.5×IQR箱线图时，我们是在『传递信息』，还是在『传递工具的默认值』？统计软件的默认参数，是否正在成为科学传播中最隐蔽的偏见来源？