说实话，从信息可视化这个领域积累的经验来看，把“数量”画准，是绝大多数图表翻车的重灾区。我自己早年间给管理层做经营分析，就曾被领导当场质疑过一张柱状图的Y轴起点——那次之后我才认真把“图形元素和数字之间的对应关系”当成一门正经学问来补，而不是继续凭感觉挑图表模板。
这篇文章是“信息可视化基础”系列里专门讲“数量”这一章。别小看这个主题，人眼读取不同图形元素的精度差异极大，选错编码、设错坐标轴起点、用错排序方式，都会让同一条数据呈现出完全不同的“剧情”。本文会从视觉编码的底层逻辑讲起，再拆解长度、面积、角度这几类常用编码的适用边界，最后用一组实际数据的改图全程做复盘。适合正在做数据报表、写分析报告、给客户出可视化方案的人，无论你用Excel还是Python，底层判断逻辑都一样。
1. 视觉编码的精度排序：所有数量图表的底层逻辑
1.1 数字要想被看见，必须先经历一次“映射”
有一个特别容易被忽略的事实：数字本身是不可见的。你脑海里想“320万”这个数，它只是一个抽象概念，要把它呈现到屏幕上，必须选定一种图形属性来承载它——比如柱子的高度、圆点的横向位置、扇形的角度、气泡的面积、颜色的深浅。
这在可视化领域里叫“视觉编码通道”。你画任何一张图，本质上都是在做一件事：把数据值映射到某个视觉属性上。而这个映射选得好不好，直接决定读者能不能准确读出你真正想表达的数量关系。
最常见的几条通道有：位置、长度、角度、面积、体积、颜色饱和度、颜色色相。它们都能表达数量，但表达效果天差地别。
1.2 从Cleveland感知实验说起：人眼对不同编码的读取精度差异
上世纪80年代，统计学家William Cleveland和Robert McGill做了一组后来被反复引用的图形感知实验。他们让受试者去读取不同类型的图形编码，比较哪类图能让人更准确地判断数值大小。实验结果非常稳定：人眼读取精度的排序大概是这样的——
位置（同一刻度上的位置）> 长度 > 角度/斜率 > 面积 > 体积/颜色饱和度
这个排序不是谁拍脑袋定的，而是通过大量受试者的读数误差统计出来的。你可以自己做一个直观感受：给你两根对齐摆放的柱子，问“右边的比左边的高多少”，你几乎能脱口而出“高了差不多30%”；但如果给你两个扇形，问“右边这个扇形的面积是左边的几倍”，绝大多数人会犹豫，而且判断偏差很大。
原因在于，人眼在读取“位置”和“长度”时，有一条明确的公共参照线和一个刻度尺可以做视觉插值；而读取“角度”和“面积”时，大脑需要进行更复杂的几何计算，误差自然就大了。
这个结论解释了为什么在对比数量大小这件事上，条形图（长度编码）几乎总是优于饼图（角度/面积编码）。也解释了为什么3D图表会把数据读歪——它额外引入了一个透视维度，让长度本身都变得不可靠。
1.3 选错编码的翻车现场
我见过太多反面案例，这里举两个典型的。
一个是有人用气泡图展示两款产品的销售额对比。产品A是100万，产品B是200万。绘制者为了让B更醒目，把气泡半径设为两倍——这导致气泡面积变成四倍，读者感知到的差异被严重放大。就算你把半径比例设置正确，人眼对面积差异的判断能力也远不如对长度差异的判断能力，所以气泡图只适合展示量级关系，根本不适合做精确对比。
另一个是3D柱状图。Excel里一键就能生成，看起来“高级”，实则是灾难。透视效果让远处柱子的高度被压缩，不同角度看到的数值都不一样，读者根本没法读准。我后来养成一个习惯：任何图表只要加了不必要的立体效果，先砍掉再说。
2. 动手画图之前，先判断你要回答的是哪类数量问题
2.1 四类数量问题与图表快速匹配
很多人选图表是从“图库”出发的：看到Excel里有什么图表类型，就把数据往里面塞。这个思路是反的。正确做法是先从业务问题出发，明确你要回答的是下面哪一类数量问题，再倒推图形。
| 问题类型 | 典型提问 | 首选图形 | 备选/替代 |
|---|---|---|---|
| 单值对比 | 哪个产品卖得最好？哪个区域贡献最大？ | 条形图/点图 | 表格 |
| 部分与整体 | 各品类占比是多少？钱花到哪去了？ | 条形图/100%堆叠条形图 | 饼图（类别极少时） |
| 时间趋势 | 销售额这个月涨了还是跌了？ | 折线图/柱状时序图 | 面积图（谨慎） |
| 分布与相关性 | 用户年龄集中在哪？两个指标是否同步变化？ | 直方图/箱线图/散点图 | 密度图 |
这张表不是绝对的，但它覆盖了日常分析里绝大多数“画数量图”的场景。你在动笔之前先问自己一句“我要回答的是哪一类问题”，很多选图纠结直接消失。
2.2 不要被“图表大全”牵着走：从问题倒推图形
举个常见例子：有人拿着一张包含8个品类的月度销售占比表来问我，说想做个“漂亮点的饼图”。我问他想回答什么问题，他说“想让老板知道哪个品类贡献最大”。这就不是饼图该干的活——8个扇区挤在一个圆里，占比接近的相邻切片根本分不出谁大谁小。正确的选择是一张按数值降序排列的条形图，老板扫一眼就能说出“拿铁是最大的品类”。
再比如：有人拿过去24个月的销售数据，想做柱状图。如果重点是看整体趋势变化，折线图明显更合适，因为人眼对折线斜率的敏感度远高于对一系列离散柱子的高低对比敏感度。但如果你是想强调某几个时间点的具体数值（比如年度大促月份的峰值），柱状图反而更好，因为它把每个时间点当成独立个体对待。
这就是“从问题倒推图形”的意义：每一种图表都有它最擅长回答的问题，也有它完全不擅长的场景。
2.3 一个快速自检表
我在带团队时给过一个简单的自检清单，画图前过一遍就行：
- 我要对比的是多个独立类别的数值大小吗？→ 条形图，Y轴从0开始
- 我要展示的还是各部分占总体的比例？→ 先数类别数，超过5个就放弃饼图
- 我的X轴是时间吗？→ 优先折线图，除非时间点很少且需要强调单点值
- 我想看数据分布形态吗？→ 直方图或箱线图，注意箱宽设置
- 我想同时对比两个序列的变化趋势吗？→ 避免双Y轴，考虑标准化指数
这套自检表不复杂，但真的能把大部分一眼看上去就别扭的图拦在前面。
3. 长度编码实战：条形图、点图与直方图的正确用法
3.1 条形图的Y轴为什么必须从0开始
这是整个信息可视化领域里最经典、也最容易被违反的规则。条形图的视觉编码通道是“条的长度”，长度必须对应数值大小。如果你把Y轴的起点设置成300而不是0，那么数值400和500的柱子，高度分别是从300到400、从300到500，长度差异是100和200——它们的视觉比例是1:2，而真实数据比例是400:500=4:5。读者看到的就是被严重扭曲的对比。
我早年踩过的坑就是做月度销售柱状图时，Excel默认或者我手动把Y轴最小值改成了300，因为“这样柱子看起来更有起伏、更饱满”。结果领导看了一眼就问：“7月到10月是不是翻倍了？”事实上只涨了15%。从那以后我给自己立了个规矩：条形图一律从0开始，想要呈现微小差异就改用点图，绝不靠截断坐标轴制造视觉冲击。
3.2 类别太多、数值太接近时，改用点图
条形图也不是万能的。当类别数量很多（比如超过15个）、或者类别名称很长、或者数值之间差异很小时，一排排柱子反而让比较变得困难——柱子太细、标签太挤，视觉负担很重。这时候我通常会换用点图（dot plot）。
点图的编码通道是“点的位置”，它利用的是人眼精度最高的“位置判断”能力，而且不需要从0开始。即使你只展示增长率从1.2%到1.8%的差异，只要坐标轴刻度标注清楚，读者也能准确读出数值。
举一个实际场景：某连锁品牌在全国有20个城市的分店，想对比各分店季度营收。用竖着的条形图，底部标签会重叠成黑压压一片；改成水平条形图，城市名称够放；但如果城市有20个，水平柱状图依然拥挤。这时候水平点图就很好用——每个城市一行，一个点代表营收，按数值排序后，谁高谁低一目了然，还能同时标注一条行业平均线作参照。
3.3 直方图里藏着“箱宽”这个隐形开关
直方图是表达“数量分布”的标准图形，但它有一个很容易被忽视的调节参数：箱宽（bin width）。同一个数据集，箱宽设成5和设成20，画出来的图形状可能完全不同。
举一组年龄数据为例：如果箱宽设成5岁，你能看到25-30岁这个区间是明显的峰值，人群结构清晰；如果箱宽设成20岁，可能只看到0-20、20-40、40-60三个粗柱子，峰值被抹平了。反过来，如果箱宽设成1岁，每个年龄一个柱子，随机波动会显得很剧烈，反而不容易看出整体趋势。
实操中我的做法是：先用默认箱宽画一版，再尝试把箱宽减半和加倍各画一版，对比这三张图，看哪些结构是稳定的、哪些是箱宽带来的噪声。稳定出现的结构才是数据本身的特征，只在特定箱宽下出现的那就是假象。
顺带说一句，直方图不是条形图。条形图的X轴是分类变量，柱子之间可以任意调换顺序；直方图的X轴是连续的数值区间，柱子的顺序不能乱动，而且柱子之间没有间隙（或间隙很小），代表区间是连续的。
3.4 顺便说一句：条形图不是折线图的替代品
很多人觉得时间序列也能用条形图，反正都能看高低。确实可以，但你得想清楚一件事：条形图天然把每个时间点当作独立的、离散的观察值，它强调“这个月是多少”；折线图则天然强调相邻时间点之间的连接和变化，它突出的是“从一个月到另一个月发生了什么”。
拿24个月的销售数据来说，你用条形图，读者看到的是24根柱子，容易陷入被动地去比较每一根的高度；用折线图，读者一眼就会关注上升段、下降段和斜率变化的拐点，这对经营决策反而更有价值。所以时间序列的默认选择是折线图，除非你的分析重点是“某几个特定月份有多突出”，才用柱状图来强调单点。
4. 面积与角度编码：饼图、圆环图和堆叠图的适用边界
4.1 饼图不是“一无是处”，但它的适用窗口很窄
饼图是可视化圈子里争议最大的图表之一。一部分人恨不得把它彻底拉黑，另一部分商业汇报里又到处都是。我的态度是：饼图有它的使用场景，但窗口非常窄。
人眼读取饼图时，依赖的是“角度”和“面积”两类通道，而这两类通道在Cleveland的感知精度排序里都排在“长度”后面。当饼图的切片达到6个以上时，或者存在两个比例很接近的切片（比如28%和25%）时，读者很难准确说清谁大谁小，只能看出一个大致的等级顺序。
但有一种情况我会用饼图：类别很少（2到4个），而且占比差异非常明显，比如“男性用户62%，女性用户38%”。这时候饼图能够很直观地传达“部分占整体”的概念，比条形图更生动。另外，饼图适合展示一个静态时点的结构，不太适合做跨期对比——一旦要做多期结构对比，还是要回归到100%堆叠条形图。
4.2 圆环图并没有解决饼图的感知难题
很多人在做仪表盘时喜欢把饼图改成圆环图（donut chart），觉得中间挖掉一块更现代、更好看。但这里有个误区：圆环图不仅没有提升精度，反而把原本饼图靠“扇形面积”编码的信息退化成了“弧长”编码，感知精度进一步下降。读者要在一条弯曲的线上比较各弧段的长度，比比较扇形面积更难。
圆环图的唯一实际优势是中间镂空区域可以放总量数字或一个核心KPI，这在仪表盘场景里确实好用。但如果你用圆环图的目的是“更清晰地展示占比结构”，那它就起反作用了。我更推荐的做法是：中间的镂空放“总量”，占比结构仍然用外侧的堆叠条形图或排序条形图来呈现。
4.3 堆叠图的三种形态，分别有哪些坑
堆叠图在分析报告里很常见，但它其实有三种完全不同的形态，坑也各不相同。
第一种是堆叠条形图，用于同时看“总量对比”和“部分构成”。它的坑在于：除了最底部的那个部分外，中间和顶部的部分缺乏共同的基线。比如一个季度堆叠柱中，第二段的起点是底部段的高度，第三段的起点是前两段之和，读者很难准确判断中间这些段落的真实数值。我的经验是：堆叠条形图适合看总量和粗略的构成比例，不适合做精细的段间对比。
第二种是100%堆叠条形图，把所有柱子拉伸到同样的高度，只看占比结构。它特别适合横向比较多个月份或多个组别之间的结构变化，比如“各区域客群的年龄占比”，因为所有柱子的基线是一致的。它的短板是不能同时展示总量的变化，所以在实际使用中我经常把它和一张总量趋势图搭配使用，一图看结构，一图看规模。
第三种是堆叠面积图，这是最容易制造误导的。它看起来像一组彩色山丘，实际上中间层的“视觉厚度”并不等于数值大小——由于各层是按顺序堆叠的，中间层看起来是上下两条曲线之间的区域，人眼对这个区域的面积感知会受上下层形状的影响。如果数据序列超过3个，堆叠面积图几乎必然被误读。我自己的替代方案是：当序列少于4条时，优先用多折线图；当序列很多时，用分面图（small multiples）拆开看，而不是硬堆在一起。
5. 坐标轴、排序、标签：决定“精准”的三个细节战场
5.1 坐标轴起始值和刻度间隔，凭什么由你说了算
很多人画完图就不管坐标轴了，但坐标轴恰恰是最能体现绘制者专业度的地方。条形图从0开始是一个铁律；折线图则不必从0开始，因为折线图的编码通道是斜率变化而不是长度，但如果你截断了Y轴，必须在图表上明确标注截断标记，不能悄无声息地让读者以为坐标轴从0开始。
刻度间隔也是值得花心思的。理想的刻度间隔应该让人一眼能算出数值，比如0、20、40、60这种规则间隔，而不是0、17、34、51这种奇怪的数字。如果你发现默认刻度出现了非整数或非规则的间隔，多半是数据范围没规划好，手动重设一下坐标轴边界就行。
网格线方面，我的习惯是只保留水平方向浅灰色网格线，去掉竖直网格线，让视线集中在数据本身。网格线是为了辅助读数的，不是为了装饰，所以颜色一定要淡，不能抢数据的注意力。
5.2 排序：让读者的视线只扫一遍就能得到结论
一个容易被忽略但极其有效的细节：类别型数据的排序方式。大多数工具默认按字母序或数据原始顺序排列，这在对比场景下是非常糟糕的。人眼最自然的读取方式是从上到下或从左到右扫视，如果条形图按数值大小排序，最大值在第一根、最小值在最后一根，读者第一眼就能完成“谁最大”、“谁最小”、“整体递减还是递增”的判断，连思考都不用。
我做过一次实验：同样一组10个产品的销售额，一张按字母序排列，一张按数值降序排列，拿给两个同事看，按字母序那张他们需要十几秒才能说出前三位，按降序排列那张基本3秒内就能说出结论。这个差距非常可观。
水平条形图特别适合长类别名称，但别忘了同样要按数值排序。唯一的例外是类别本身有内在顺序时（比如年龄段、学历等级），这时候保持类别本身的顺序比按数值排序更重要。
5.3 直接写数字，是对“精准”最大的尊重
无论你选什么图形，读者都无法从中读出精确值——条形图只能告诉他“大概600多”，直方图只能告诉他“峰值在20-30之间”。如果业务场景需要精确读数，最可靠的做法就是在图形上直接标注数值。
我通常会在两类图上加数据标签：一类是条形图，在柱子顶端标注具体数值，省去读者用视线去对齐刻度；另一类是折线图，在关键数据点（峰值、谷底、拐点）单独标注数值，不追求每个点都标，那样太拥挤。
单位问题也要一并处理。销售额用“万元”还是“元”，流量用“万”还是“亿”，必须统一标注在坐标轴或者标题里。数字本身尽量加千分位分隔符（比如1,200,000），或者进行合理的单位换算（120万），减少一长串零带来的误读。
5.4 双Y轴：能不用就别用，非用不可时怎么办
双Y轴（一个图里左侧和右侧各有一个不同量纲的Y轴）是我见过的最容易造成误导的设计，没有之一。当两个序列的量纲不同（一个是销售额，一个是订单量），又硬塞进同一张图时，读者很自然地会去比较两条折线的走势，但两条线的形状会因为左右两个坐标轴的刻度范围不同而产生完全不同的视觉表现——调整任意一侧的坐标轴范围，趋势对比的结论就能反转。
如果确实需要同时展示两个指标，我建议做“标准化处理”：把两个序列都以首期为基准变成指数（首期=100），放到同一个坐标系里看相对变化，这样量纲差异消失了，趋势关系清晰可见。或者干脆拆成上下两个子图，共享同一个时间轴，读者左右对照着看，不容易被误导。
6. 一次完整的改图复盘：从反面教材到可交付图表
6.1 原始需求与第一版图表
假设我们拿到这样一组连锁咖啡门店的数据：2024年7月到12月的月度销售额，分别为320万、345万、332万、368万、401万、405万（单位：万元）；同时还有一组品类营收占比——拿铁35%、美式20%、果茶18%、其他饮品12%、轻食9%、周边6%；还有分区域的门店数量：华东15家、华南10家、华北8家、西南6家、西北4家、东北3家。
我见过的新手版本，往往会把这三组数据分别画成：3D饼图展示品类占比、截断Y轴的柱状图展示月度销售、双Y轴折线图同时展示销售额和订单量。这三张图单看都“能用”，放在一份报告里就是连环误导。
6.2 第一处修改：占比分解改用排序条形图
先说3D饼图改版。8个饼图切片里，“美式20%”和“果茶18%”靠得很近，在3D透视和配色干扰下几乎无法分辨谁大谁小。改版后，我做了一张按数值降序排列的水平条形图：拿铁排在最上行，依次往下是美式、果茶、其他饮品、轻食、周边，每条后面直接标注百分比。
这张图改完，读者既能快速看出“拿铁是绝对主力”，又能准确读出美式和果茶的差距只有2个百分点——这两个信息是3D饼图完全给不出来的。顺带把颜色从8种花哨的颜色改成同一色系的深浅渐变，因为这时候颜色只是辅助分组，不需要承担“区分对比”的任务。
6.3 第二处修改：月度趋势回到“从0开始”的柱状图
第一版月度柱状图的Y轴从300万开始，柱子的视觉高度差被放大了好几倍，7月到10月的真实涨幅只有15%，看起来却像翻了一倍。改版时我把Y轴强制设为从0开始，同时加上浅色水平网格线和每个柱子的顶部数值标签。
改完之后，图确实“平淡”了很多，但这才反映出真实业务：下半年整体呈缓慢上升趋势，其中11月到12月几乎没有增长，需要去关注是不是市场饱和或者促销乏力。这种一眼就能看出的平淡，反而比被放大的“视觉剧情”更有信息量。
6.4 第三处修改：双序列对比用独立坐标轴或标准化处理
第一版里，销售额和订单量用了双Y轴，结果订单量波动看起来比销售额“剧烈”得多，业务方一度以为服务质量出了问题。实际上只是因为两个指标的量纲和基数不同。
改版后，我把两个指标分别做了标准化：以7月为基准100，计算出各月指数，然后用两条折线画在同一张图里。这样一看，两个指标的趋势基本同步，没有出现异常背离，结论清晰得多。如果读者更需要看原始数值，那就拆成上下两个子图，共用同一个时间轴，各自使用自己的Y轴，并且都是规则的刻度。
6.5 改完之后的清单式检查
这张改好的图交付前，我会再走一遍检查清单：
- [ ] 所有柱状图Y轴从0开始
- [ ] 没有使用3D效果
- [ ] 没有使用双Y轴
- [ ] 饼图的切片数量不超过5个
- [ ] 类别型数据按数值大小排序
- [ ] 关键数值有标签
- [ ] 网格线为浅色且不干扰数据
- [ ] 标题中包含单位、时间范围和数据来源说明
这一套走完，图表的误读空间基本被压制到了最小。
7. 常用绘图工具里的“精准”习惯：Excel、Python与BI工具
7.1 Excel：默认行为里的三个雷
Excel是我见过的最多人用来做数据分析的工具，但它有几个默认行为很容易让人出错。
第一个是“默认饼图+默认3D效果”。Excel的图表推荐功能经常把饼图摆在前面，很多人顺手就选，然后为了好看加3D效果——这是双重的感知灾难。我建议在Excel里直接忽略推荐的3D选项，需要展示占比时主动选择普通的二维条形图。
第二个是折线图自动扩展Y轴。Excel画折线图时，会自动把Y轴范围压缩到数据附近，这是合理的；但如果你同一个图表后来改成了柱状图，它不会自动帮你把Y轴拉回0，需要手动设置坐标轴边界。很多人不知道这个坑，直接沿用默认设置，柱子就从非0起点画出来了。
第三个是数据标签默认不显示。Excel默认不显示数值标签，很多人在交付前忘了打开，导致读者只能靠猜。建议在图表设计里直接给“数据标签”打开，并设置合适的显示位置。
7.2 Python：matplotlib与seaborn中的尺度控制
Python的matplotlib是灵活的，但灵活也意味着更容易写出不严谨的图。最常见的就是坐标轴范围问题。
import matplotlib.pyplot as plt months = ['7月', '8月', '9月', '10月', '11月', '12月'] sales = [320, 345, 332, 368, 401, 405] fig, ax = plt.subplots(figsize=(8, 4)) ax.bar(months, sales, color='#4C72B0') ax.set_ylim(0, 450) # 条形图必须从0开始 ax.set_ylabel('销售额（万元）') ax.axhline(0, color='black', linewidth=0.8) for i, v in enumerate(sales): ax.text(i, v + 8, f'{v}', ha='center', fontsize=10) plt.show()这段代码里最重要的一行就是ax.set_ylim(0, 450)。matplotlib默认会自动调整Y轴范围，如果不显式设置，画柱状图时坐标轴起点可能落在300附近，柱子之间的比例直接被扭曲。我的习惯是：画条形图永远显式设置set_ylim(0, ...)，画折线图才允许自动缩放。
在seaborn里，barplot默认行为相对规范，但如果你用了pointplot或者lineplot，数据点之间是否使用共享尺度仍然需要自己检查。额外提醒一句，在Jupyter Notebook里反复画图时，旧图的样式设置可能会被带下来，最好用plt.rcParams统一设置字体、颜色和网格样式，避免每张图风格不一致。
7.3 BI工具：自动化不等于免检
现在很多人直接拖Tableau、Power BI或者新一代的BI平台来出图，这些工具默认行为确实比手工绘图规范很多，比如柱状图默认从0开始、图表类型推荐也相对合理。但自动化不等于免检，你依然需要检查几个点。
第一个是筛选器导致的坐标轴漂移。在BI工具里，当你通过切片器筛选不同时间范围后，柱状图的Y轴范围会自动跟随当前数据变化。这在交互式看板里问题不大，但如果截图打印出来，同一个位置在不同筛选条件下Y轴不同，容易造成误导。关键图表我一般会把坐标系上下限定死，或者至少标注清楚“坐标轴随筛选自动调整”。
第二个是自动排序。不少BI工具的默认排序是按数据加载顺序或字母序，不是按数值大小。做对比分析时，一定要手动把维度按度量值排好序，尤其是可视化图表上的“排序”属性，别偷懒。
第三个是主题配色。默认调色板会为了美观给每个系列配一个单独的颜色，但在连续尺度的数量表达里，颜色深浅必须代表数值大小，不能用一堆分散的色相。连续型指标用连续色阶，离散型类别才用分类色板，这个规则在BI工具里让你手动选择。
7.4 把“精准”变成肌肉记忆
以上这些细节，单看都不难，难的是每次画图都记得检查。我自己的解决办法是：把检查清单放在笔记本首页，凡是交出去给别人看的图表，都必须过一遍；凡是自己探索性画的草图，可以随意，反正不对外。但一旦要放进报告、发给客户、投到大屏上，就一律执行同一套审查标准。
时间久了，这些规范会内化成一种直觉：打开一张图，眼睛扫过Y轴起点、扫过排序方式、扫过标签密度、扫过颜色数量，哪里不对劲很快就能指出来。这个过程没有捷径，只能靠刻意练习堆出来。
我在带过的新人里发现一个普遍规律：理论知识他们都懂，条形图Y轴从0开始也背得下来，但一打开工具操作，就容易被默认设置带着走。所以我总是建议先手动画出“错误版本”，再用检查清单逐项修正一遍。经历过一次“从翻车到救回”的全过程，比看十篇文章都记得牢。
另外分享一个小技巧：每次画完一张图，保存之前，退后一步，眯起眼睛，只看图的大轮廓，不看具体数据，问自己三个问题——它想表达的核心信息是什么？这个信息在第一眼就能被抓住吗？有没有任何元素在争夺视线但不承载信息？这三个问题的答案，往往决定了这张图是“及格”还是“精准”。
