【锚点】这一讲只钉一个判断：【可复现的图】不是能重跑脚本，而是能重走【删点决定】。很多人把开放科学理解成“数据+代码”；真正的瓶颈是：谁把哪些点删了，为什么。【显式】Anscombe’s quartet 是经典：四组数据拥有几乎相同的均值、方差、相关系数和回归线（x≈9，y≈8.26，r≈0.816，y=3+0.5x），但散点图完全不同：线性、弯曲、离群点、单点杠杆。【隐式】如果你只报告回归线，四组数据“一样”；一旦画散点图，读者立刻看到叙事不同。图不是装饰，它把统计摘要变成可质疑对象。【细微】在 Anscombe 第四组里，高相关几乎靠一个高 x 点撑住；删掉那个点，x 方差几乎消失，斜率不再稳定。所谓“异常值处理”其实是在选择哪一种世界。【极难发现】最不可复现的往往不是代码 bug，而是那个没有写下来的【筛选规则】：它把原始记录变成“最终数据”。没有它，别人重跑只会得到另一张同样漂亮的图。【流程节点链路】：原始观测 → 记录/清洗 → 纳入排除 → 变量编码 → 视觉通道映射 → 坐标轴与标度 → 标注/注释 → 导出图像。我的立场：如果论文只给最终 CSV，不给“删点日志”，它的图应当被当作【未完成的证据】。可复现性的最低要求不是“给我数据”，而是“给我你拒绝数据的理由”。值得辩论的问题：当一张图的美感和可复现性冲突时，先牺牲哪个？