可视化设计原则：Tufte 之道与图形语法

CH-09-03-001·约 16 分钟·计算机图形学与可视化·更新 2026-08-11

想象你要为家人盖一栋房子。砖、水泥、木材都是“建材”，但一堆建材堆在空地上，还不能叫房子——你需要一份蓝图，把建材安排成有功能的房间。如果装修时为了好看，在墙上贴满金箔、加三百条灯带，客人进门只会觉得眼花，反而看不清这栋房子的格局。数据可视化就是“给数字盖房子”：数据是建材，图形语法（Grammar of Graphics）是盖房规范，而 Tufte 的设计原则是施工质检员——它反复提醒你：每一笔墨水都该像承重墙一样，必须承担起传达信息的责任；凡是纯装饰的笔触，都是该敲掉的“非承重装饰”。学完这一篇，你会同时拿到“蓝图规范”和“质检手册”，从此画图表时既有章法、又懂取舍。

岗位关联

对 AI 从业者而言，可视化是把模型结果“翻译”给人类的重要能力。掌握 Tufte 原则与图形语法，你交付的每一张图表都能少一点误导、多一分说服力——这不仅让你的分析报告更专业，也是 AI 产品多轮迭代中沟通效率的关键杠杆。

可视化演示
可视化的本质：给数字盖房子
Tufte 的核心原则：数据墨水比
Chartjunk 清理：拆掉多余的装饰
图形语法概览：一本盖图的规范
图层与映射：数据如何落成图形
实战与质量：验收你的图表
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化处理流程：输入→处理→模型→输出性能监控：实时指标 P=L×T

可视化的本质：给数字盖房子

盖房之前，你得先想清楚：家里有几个人、谁需要书房、厨房要多大。这些“需求清单”就是数据；而把需求翻译成房间布局的过程，就是可视化。没人会把餐桌画在卫生间里——因为位置决定了功能能否被理解。可视化做的正是这件事：给每条数字安排一个“位置”，让眼睛一眼就读懂规律。

在计算机图形学里，这个“安排位置”的动作叫视觉编码（visual encoding）。人类视觉对不同通道的敏感度差异巨大：对位置最敏感，其次是长度、面积，最后才是颜色深浅和角度。所以散点图天生比饼图更能表达“趋势”，这不只是审美偏好，而是由人的感知系统决定的。Tufte 称之为“前注意通道”——大脑能在 200 毫秒内无意识捕捉位置差异，却要花功夫才能比较角度大小。

要把数据值变成屏幕像素，靠的是线性映射。假设数据区间是 [vmin, vmax]，画布绘图区左边是 xmin、右边是 xmax，则：

这条公式就像把“需求清单”里的菜量换算成厨房台面的长度：比例不变，但单位从“人/顿”变成了“厘米/米”。选对了编码通道，房子才住得舒服；选错了（比如用饼图表达 50 期趋势），就像把书房放在厨房里，功能全乱套。

\displaystyle x_{\text{pixel}} = x_{\min} + \frac{v - v_{\min}}{v_{\max} - v_{\min}} \times (x_{\max} - x_{\min})

这条公式把数据“橡皮筋”拉成像素区间：先归一化再平移，任何数值都能对号入座地落到画布上。

数据范围定位先找出数据中的最小值和最大值，把整个数据区间看成一条橡皮筋，目标是把这条橡皮筋拉开、铺到绘图区上。
$v \in [v_{\min}, v_{\max}]$
归一化把当前值 v 减去最小值、再除以区间长度，得到 0 到 1 之间的比例，表示“v 在整条橡皮筋的哪个位置”。
$\frac{v - v_{\min}}{v_{\max} - v_{\min}}$
像素区间换算用这个比例乘以绘图区宽度 (xmax − xmin)，再加上左边距 xmin，就得到该数值对应的像素横坐标。
$x_{\min} + \frac{v - v_{\min}}{v_{\max} - v_{\min}} \times (x_{\max} - x_{\min})$

Tufte 的核心原则：数据墨水比

房子盖起来后，质检员来了。他只看一件事：这栋房子里，有多少面积真正在“供人居住”，多少面积是纯装饰的挑空大堂？Edward Tufte 把这个思路用在了图表上——他问你：这张图印出来的每一滴墨，有多少滴在传递数据？这就是著名的“数据墨水比”。

Tufte 在《定量信息的可视化》（The Visual Display of Quantitative Information）中提出，一张诚实的图表应该最大化数据墨水，并尽量擦除不承载信息的墨迹。数据墨水指坐标轴刻度值、数据点、数据线这些“承重墙”；非数据墨水指网格线、花边框、渐变背景和阴影。他还定义了“说谎因子”（Lie Factor）来衡量图形有没有夸大事实。

数据墨水比的定义是：

所以 Tufte 从不主张“越简单越好”的空空如也，而是主张“每一笔都要有交代”。客厅可以放一张大餐桌（高数据墨水），也可以有一个中岛（适度美学），但绝不能挂一排纯装饰的水晶吊灯。同理，一个数据点可以占 9 像素也可以占 3 像素，只要它还在传递信息，这笔墨就花得值。

\displaystyle \text{Data-Ink Ratio} = \frac{\text{Data-Ink}}{\text{Total Ink}} = \frac{\text{承载数据的墨迹}}{\text{图形使用的全部墨迹}}

数据墨水比衡量一张图“干正事”的墨迹比例，目标不是满分而是逼近 1——每滴墨都有数据可依。

分子数据墨迹：坐标轴线、刻度数字、数据点、数据线等直接表达数据的笔画，它们是图表的“承重墙”。
$\text{Data-Ink} = \text{承载数据信息的全部墨迹}$
分母总墨迹：整个图形用掉的墨迹总量，包含数据墨迹加上网格线、背景、边框、阴影等一切非数据墨迹。
$\text{Total Ink} = \text{Data-Ink} + \text{非数据墨迹}$
比值目标比值越接近 1，说明每滴墨都在干活，图表越接近 Tufte 心中的理想状态。
$\frac{\text{Data-Ink}}{\text{Total Ink}} \to 1$

Chartjunk 清理：拆掉多余的装饰

装修界有句老话：越是想把房子装得豪华，越容易装出土味。图表也一样。那些为了“显得专业”而加的 3D 圆柱、彩虹渐变、满屏网格线，Tufte 给它们起了个名字——chartjunk（图表垃圾）。它们是视觉上的噪音，把读者的注意力从数据上偷走。

Chartjunk 不只是“丑”，更危险的是它会扭曲数据。比如把 100 和 200 画成两个三维圆柱，视觉上体量差了 8 倍，读者感知到的差距比真实差距大得多。Tufte 用“说谎因子”来量化这种失真：图中显示的效果大小除以数据里真实的效果大小，等于 1 时最诚实。

清理图表垃圾的清单其实很简单：删掉纯装饰的纹理、去掉可有可无的网格线、把 3D 改回 2D、把彩虹色换成克制的一两个强调色。就像拆掉灯带和罗马柱之后，你才发现原来这房子采光这么好——数据本身的光彩，被装饰遮了太久。

\displaystyle \text{Lie Factor} = \frac{\text{图形中显示的效果大小}}{\text{数据中的实际效果大小}}

说谎因子等于 1 是诚实图表的标准；偏离 1 越多，图形对读者撒谎越狠。

分子显示效果：在图形上量出来的“大小”，比如柱子的高度差、圆的面积比，是读者眼睛实际看到的效果。
$\text{图形中显示的效果大小}$
分母真实效果：在原始数据里算出来的真实倍数关系，是应该被如实呈现的事实。
$\text{数据中的实际效果大小}$
比值判定比值等于 1 说明图形没有说谎；大于 1 是夸大，小于 1 是压缩，偏离越远越危险。
$\text{Lie Factor} = 1 \Rightarrow \text{诚实}; \quad \text{Lie Factor} \neq 1 \Rightarrow \text{失真}$

图形语法概览：一本盖图的规范

光有质检员还不够，盖房子得先有施工规范，否则十个工人十种盖法，图纸互相看不懂。统计学家 Leland Wilkinson 在 1999 年写了《The Grammar of Graphics》，相当于给“画图”立了一部建筑规范：任何统计图形都可以拆成固定零件，再用统一规则组装起来。后来 Hadley Wickham 把这个语法实现为 R 语言的 ggplot2，再后来 Python 的 Plotnine、Seaborn 也纷纷效仿。

图形语法的核心思想是“图层”：一张图不是一个大杂烩，而是多个图层叠加的结果。每一层都遵守同一套流水线：数据 → 美学映射 → 统计变换 → 标度 → 标记 → 坐标系 → 分面。这就像盖房流程：先打地基（数据），再定房间功能（映射），然后算面积（统计），最后确定墙和门窗的位置（标度、坐标、标记），必要时隔出小房间（分面）。

整套语法可以浓缩成一个表达式：

有了这部规范，“画图”从手艺活变成了工程活。就像建筑队拿到统一标准，每个工人都知道砖该怎么砌、门该开在哪。你在 matplotlib 里写的每个参数、在 Seaborn 里传的每个参数，其实都是在填写这份语法表的某一栏——理解了语法，你就理解了所有绘图库的共同灵魂。

\displaystyle \text{Graph} = \text{Data} + \text{Mapping} + \text{Stat} + \text{Scale} + \text{Mark} + \text{Coordinate} + \text{Facet}

图形语法把画图拆成七个固定工序，任何统计图形都是这条流水线跑出来的产品。

Data 原材料原始数据表是建材仓库，每一列都是可用的材料。
$\text{Data} = \text{数据表}$
Mapping 定位把“销售额”这一列指定给 x 轴，把“利润”指定给 y 轴，把颜色指定给“地区”——这是美学映射。
$\text{Mapping}:\ \text{数据列} \to \{\text{位置}, \text{颜色}, \text{大小}\}$
Stat 变换先对数据做聚合，例如求平均值、做分箱计数，直方图就诞生在这里。
$\text{Stat}:\ v \to \bar{v} \ \text{或} \ \text{count}(v)$
Scale 定标把数据范围换算成像素范围，可能是线性的，也可能是对数的。
$\text{Scale}:\ [v_{\min}, v_{\max}] \to [x_{\min}, x_{\max}]$
Mark 成形决定用什么几何形状表达——点、线、柱、面。
$\text{Mark} \in \{\text{point}, \text{line}, \text{bar}, \text{area}\}$
Coordinate 摆位在直角坐标、极坐标等坐标系中完成最终布局。
$\text{Coordinate}:\ \text{直角坐标系或极坐标系}$
Facet 分户按某个变量把数据拆成多个小图，像小倍数图一样方便对照。
$\text{Facet} = \text{按变量拆分的小倍数图}$

图层与映射：数据如何落成图形

砌墙有顺序：先埋水电管线，再抹灰，最后贴砖。图表的图层也有顺序，每个图层只负责一件事。你可以在一个图上叠加“散点层”和“趋势线层”，就像客厅里既要有沙发（休息功能）又要有餐桌（用餐功能），各占一层互不干扰。

图层内部最关键的环节是“映射后还要定标”。原始数据可能从 0.001 到 100 万，跨越很多个数量级，直接线性映射会挤成一条直线。这时就要换对数标度。对数标度把乘法变成加法：每差 10 倍在图上只是等距离的一段，让矮个子也能露出头来。

对数映射公式与线性映射只差一个取对数：

就像盖高层时每层楼的层高可以不一样（一楼 5 米大堂，楼上 3 米），对数标度允许空间“不均匀”——但每一层仍然守规矩、可以换算。理解映射和标度，你就能解释为什么同样的数据，一个图表挤成一坨、另一个却层次分明。这差别往往不在数据，而在你选择了哪一把“尺子”。

\displaystyle x' = x_{\min} + \frac{\log(v) - \log(v_{\min})}{\log(v_{\max}) - \log(v_{\min})} \times (x_{\max} - x_{\min})

对数映射让“差十倍”在图上变成等距，专治跨越多个数量级的偏态数据。

对数变换对数据值取对数，把 1、10、100、1000 变成 0、1、2、3，指数差距变成等差差距。
$\log(v)$
对数域归一化在对数域里先减最小值、再除以区间长度，得到 0 到 1 的比例。
$\frac{\log(v) - \log(v_{\min})}{\log(v_{\max}) - \log(v_{\min})}$
像素换算比例乘以绘图区宽度、加上左边距，得到最终像素坐标。
$x_{\min} + \left(\frac{\log(v) - \log(v_{\min})}{\log(v_{\max}) - \log(v_{\min})}\right) \times (x_{\max} - x_{\min})$

实战与质量：验收你的图表

房子盖完要验收：墙直不直、窗户透不透光、浪费的空间多不多。图表也有验收标准。Tufte 提出一个叫“数据密度”的指标：一张图的数据密度等于数据条目数除以图形的面积。高密度不一定是好事，但低密度往往意味着版面被浪费，读者翻三页才能看完本该一页讲完的故事。

实战中的设计流程应该是：先明确要回答什么问题，再选合适的映射与标记，然后决定标度与分面，最后做一次 Tufte 式清理。工具箱里的每个库（matplotlib、Seaborn、Plotnine）都是这套流程的自动化助手：Seaborn 的 relplot 帮你快速完成多层映射，Plotnine 直接把 ggplot2 的语法搬到了 Python。

数据密度公式：

验收时不妨自问三句话：这张图的说谎因子接近 1 吗？去掉装饰后信息还在吗？把多个小图并排后读者能一眼对比吗？如果答案都是肯定的，这栋“数据之屋”就可以交付了——窗明几净，每一笔墨都像承重墙一样，站得稳稳当当。

\displaystyle \text{Data Density} = \frac{\text{图中数据项的数量}}{\text{图形的面积}}

数据密度提醒你：版面是稀缺资源，别让一张大图只讲一条信息。

分子数据项数量：图形实际展示的数据条目数，比如散点图的点数、折线图的观测次数。
$\text{数据项数量} = n$
分母图形面积：图形在版面上占据的面积，通常以平方英寸计，反映版面资源。
$\text{图形面积} = A$
密度意义比值反映单位面积承载的信息量；密度过高伤可读性，过低伤效率，要在两者间取平衡。
$\text{Data Density} = \frac{n}{A} \Rightarrow \text{在可读性与信息量之间平衡}$

AI 应用场景

商业 BI 仪表盘优化

阶段：数据呈现与结果交付

解决的问题：传统仪表盘塞满网格线、渐变背景和 3D 柱状图，用户 3 秒抓不住重点。用 Tufte 原则重设计：提高数据墨水比，去掉装饰网格，只保留数据线、刻度与少量关键参考线。

具体案例：某零售团队把周报里的销售额仪表盘从 12 个图表精简为 4 个高密度小倍数图，每个门店一张面板、共用同一标度，管理会议的读图时间从 15 分钟降到 4 分钟。

大模型可视化代码的质量控制

阶段：模型评测与生成内容质检

解决的问题：LLM 生成的 matplotlib 代码经常输出“花里胡哨但难以阅读”的图。把图形语法封装成可控 API（数据、映射、标记分层传入），让模型只能“填空”不能“乱涂”，从根本上约束输出质量。

具体案例：某 AI 产品团队用 Plotnine 风格的语法封装图表生成流程，再用谎言因子检测脚本对生成的图自动打分，不合格的自动重新生成，图表误导率下降 60%。

数据新闻的诚实叙事

阶段：数据洞察与沟通传达

解决的问题：新闻图表要同时做到“准确”和“吸引人”，传统手工制图容易为了美观牺牲准确度，放大局部差异诱导读者。

具体案例：某数据新闻团队报道房价涨幅时，用统一标度的小倍数图对比 10 个城市，避免了大城市把中小城市“压扁”的不诚实呈现，读者可以在同一把尺子下公平比较。

Python 演示

python56 行

# -*- coding: utf-8 -*-# 迷你图形语法演示: 渲染字符画折线图, 并计算 Tufte 数据墨水比DATA = [120, 135, 128, 152, 160, 171, 168, 185, 192, 205, 210, 228] def scale(values, out_min, out_max):    lo, hi = min(values), max(values)    if hi == lo:        return lambda v: (out_min + out_max) / 2    return lambda v: out_min + (v - lo) / (hi - lo) * (out_max - out_min) def draw_line_chart(add_junk):    W, H = 48, 16    grid = [[" "] * W for _ in range(H)]    sx = scale(range(len(DATA)), 1, W - 2)    sy = scale(DATA, 1, H - 2)    data_ink = 0    for i, v in enumerate(DATA):        x = int(sx(i))        y = H - 1 - int(sy(v))        if i > 0:            px, py = int(sx(i - 1)), H - 1 - int(sy(DATA[i - 1]))            steps = max(abs(x - px), abs(y - py))            for t in range(steps + 1):                gx = px + int((x - px) * t / steps)                gy = py + int((y - py) * t / steps)                if grid[gy][gx] == " ":                    grid[gy][gx] = "*"                    data_ink += 1        else:            grid[y][x] = "*"            data_ink += 1    if add_junk:        for i in range(H):            grid[i][0] = grid[i][-1] = "|"        for j in range(W):            grid[0][j] = grid[-1][j] = "-"        for i in range(1, H - 1, 2):            for j in range(1, W - 1):                if grid[i][j] == " ":                    grid[i][j] = "."    return grid, data_ink def show(title, grid, data_ink):    total = sum(1 for row in grid for c in row if c != " ")    ratio = data_ink / total if total else 0    print(title)    print("数据墨水比 = %.2f (数据墨迹 %d / 总墨迹 %d)" % (ratio, data_ink, total))    for row in grid:        print("".join(row))    print() if __name__ == "__main__":    clean_grid, ink = draw_line_chart(add_junk=False)    show("[Tufte 风格] 只画数据线", clean_grid, ink)    junk_grid, ink2 = draw_line_chart(add_junk=True)    show("[图表垃圾] 加边框和网格", junk_grid, ink2)

目的：用字符画渲染同一份销售数据，对比“干净版”与“加了图表垃圾版”的数据墨水比，直观验证 Tufte 原则。

def scale(values, out_min, out_max):实现正文的线性映射公式，把数据值换算成字符画的行列坐标。
if grid[gy][gx] == " ":只给空白的格子画墨迹，避免重复计数，保证 data_ink 是真正的像素占用数。
if add_junk:一键给图上加边框和多余网格线，模拟常见图表垃圾。
for row in grid:逐行打印字符画，让读者直接“看到”两种图表的信息密度差异。
ratio = data_ink / total if total else 0计算数据墨水比，量化“装饰越少、比值越高”的规律。

常见误区

误区我感觉数据墨水比的意思就是让图表用黑白灰，颜色越少越好，做成全黑白的图肯定就是高数据墨水比。

正解黑白不等于高数据墨水比。数据墨水比是“承载信息的墨迹 ÷ 总墨迹”，一个全黑的图如果画满无意义的网格线、粗边框和装饰纹理，比值依然很低。反过来，一个恰到好处的橙色高亮可以编码“异常点”这一信息，反而提高了数据墨水比。它衡量的是每滴墨是否在干活，而不是墨的颜色。

为何常见：因为“极简”“黑白”在视觉上确实接近 Tufte 风格，初学者容易把风格表象当成原则本质。

误区我一直以为 Grammar of Graphics 就是 R 语言里的 ggplot2 包，或者 Python 里的 Plotnine，是一个具体的绘图软件。

正解ggplot2 和 Plotnine 只是图形语法的两个实现。图形语法本身是一套关于“统计图形如何由数据、映射、标度、标记、坐标系、分面组合而成”的理论框架。理解语法后，你可以看懂任何绘图库背后的设计逻辑，而不是被某个库的 API 绑架。

为何常见：大多数教程都是通过 ggplot2 接触图形语法的，工具先入为主，理论反而被忽略了。

误区我觉得一张图应该画满网格线，这样读者想读哪个值就能对到哪个值，看起来特别精确专业。

正解满屏网格线恰恰是 Tufte 反对的典型图表垃圾。精确读值靠的是清晰刻度标签和坐标轴，而不是密集网格。真需要参照时，只在关键阈值处画一条浅色参考线，既保留了对照功能，又不会淹没数据曲线。

为何常见：Excel 默认样式给网格线很高的存在感，看多了会误以为“网格=精确”。

误区我觉得 3D 柱状图、3D 饼图看起来更高级，展示给老板显得很有技术含量，信息量一定更大。

正解3D 透视会引入严重失真：远处的柱子被压缩、顶部面积被夸大，谎言因子远大于 1。多出来的“立体维度”并不编码任何数据，纯属装饰墨迹。除非你确实画三维空间数据（如三维散点），否则老老实实用 2D 更诚实。

为何常见：商业软件的默认图表模板常年渲染 3D 效果，形成“炫酷=专业”的错觉。

误区我把五个不同颜色、不同坐标范围的折线图排成一排，觉得这就是 Tufte 说的小倍数（small multiples）。

正解小倍数的灵魂是“同构”：每个小图必须使用相同的变量编码、相同的坐标范围、相同的标度，才能让读者聚焦在数据差异而不是图形差异上。五个标度各异的图拼在一起，读者会误判城市 A 的波动比 B 大，其实只是坐标轴范围不同。

为何常见：只记住了“多个小图对比”的形式，忽略了“统一标度”这一对比的前提。

面试题

Q1. 关于数据墨水比，下列哪项描述是正确的？

单选题 · easy

A.比率趋近 1 时图表最诚实高效← 正确答案
B.比率趋近 0 时图表最诚实高效
C.指图表中颜色种类数量的多少
D.与图表占据面积大小完全无关

答案：A。数据墨水比是承载信息的墨迹占全部墨迹的比例，越接近 1 说明每滴墨都在传达数据。它和颜色种类、图表面积无关，只关心“有没有浪费墨”。选项 A 准确描述了这一目标。

Q2. Lie Factor 等于 1 时意味着什么？

单选题 · easy

A.图形效果与数据效果一致最诚实← 正确答案
B.图形效果完全不可信需重新绘制
C.数据中恰好存在百分之一的错误
D.图形中有一个数据点绘制错误

答案：A。谎言因子是“图中显示效果大小 ÷ 数据真实效果大小”。等于 1 说明图形如实反映了数据；远离 1 则是夸大或压缩。它并不表示错误率，而是衡量图形是否诚实。

Q3. 下列哪项属于 Tufte 提倡的设计手段？

单选题 · mid

A.最大化数据墨水并去除图表垃圾← 正确答案
B.添加更多网格线以强调数值精度
C.用三维立体效果增强视觉冲击
D.增加边框阴影等装饰性元素

答案：A。Tufte 的核心主张是擦除非数据墨迹、最大化数据墨水。网格线、3D、边框阴影都是典型图表垃圾，会拉低数据墨水比、放大谎言因子。

Q4. 在图形语法中，把“数据字段指定给位置或颜色等美学属性”对应哪个组件？

单选题 · mid

A.美学映射（aesthetic mapping）← 正确答案
B.统计变换（stat transform）
C.标度转换（scale conversion）
D.坐标系（coordinate system）

答案：A。美学映射负责把数据列“翻译”成视觉通道，比如 x=销售额、color=地区。统计变换处理聚合，标度处理数值到像素的换算，坐标系决定布局方式，三者都发生在映射之后。

Q5. 下列属于 Grammar of Graphics 核心组件的有哪些？

多选题 · mid

A.数据与美学映射组件← 正确答案
B.标度与坐标系组件← 正确答案
C.标记与分面组件← 正确答案
D.数据库索引优化组件

答案：ABC。图形语法由数据、美学映射、统计变换、标度、标记、坐标系、分面七部分组成。数据库索引属于存储优化，与图形语法无关，是干扰项。

Q6. 小倍数（small multiples）的核心要点是什么？

单选题 · mid

A.各小图用相同标度布局便于对比← 正确答案
B.每个小图随机调整颜色和比例尺
C.小图数量越多信息越丰富越好
D.所有小图必须使用三维立体渲染

答案：A。小倍数的价值在于“同构对比”：相同编码、相同标度、相同布局，读者才能把差异归因于数据而非图形。随机调整或 3D 渲染恰恰破坏了对比的公平性。

Q7. 线性映射公式中归一化步骤的作用是什么？

单选题 · hard

A.把原始数值压缩到 0 到 1 区间方便换算← 正确答案
B.让数据分布变成标准正态分布形状
C.消除数据集中存在的离群异常值
D.将像素坐标反向转换回真实世界

答案：A。归一化 (v−vmin)/(vmax−vmin) 把数据值映射到 [0,1]，相当于在数据区间“橡皮筋”上找到位置比例。它不改变分布形态、不处理异常值，只是为后续乘像素宽度做铺垫。

Q8. 关于图表垃圾（chartjunk），正确的说法有哪些？

多选题 · hard

A.装饰性阴影与纹理属于图表垃圾← 正确答案
B.冗余网格线会降低数据墨水比← 正确答案
C.去除图表垃圾可提高数据墨水比← 正确答案
D.只要视觉好看就可以任意保留

答案：ABC。图表垃圾是“不承载信息却占用墨迹”的装饰，阴影纹理和冗余网格都是典型例子。去掉它们分子不变、分母变小，数据墨水比自然提高。选项 D 违背了 Tufte 的核心理念。

Q9. 数据密度公式中分母“图形面积”的含义是什么？

单选题 · extreme

A.图表在版面上占用的总面积大小← 正确答案
B.所有数据点覆盖的面积总和
C.坐标轴围成的绘图区面积
D.屏幕每个像素的物理尺寸

答案：A。Tufte 的数据密度 = 数据条目数 ÷ 图形在版面上占据的面积。分母是可被版面利用的矩形区域，而非数据点自身面积或绘图区内部。它提醒设计师别让一张大图只讲一条信息。

Q10. Tufte 提出的“图表印刷”两大原则包括哪些？

多选题 · easy

A.最大化数据墨水印刷原则← 正确答案
B.擦除非数据的冗余墨迹← 正确答案
C.擦除冗余的数据墨迹← 正确答案
D.使用越多颜色越能体现丰富

答案：ABC。Tufte 主张最大化数据墨水比、擦除非数据墨迹、擦除冗余数据墨迹三条原则。颜色丰富与原则无关，甚至往往引入图表垃圾。这道题提醒你记住他的“减法”精神。