以前我们看到一个做得很烂的图表，或者穿帮的数据可视化作品时，往往是将它们嘲笑一番也就算了。但有些时候，尤其是刚过去的这一年，我们好像更难分辨一个可视化作品是单纯的糟糕产物，还是出于偏见而刻意制造的虚假信息。
当然，用数据来撒谎已经不是什么新鲜事儿了，但现在图表越来越容易被广泛传播，网上到处都是，而其中好多传递的是假象。你可能只是随便瞟了一眼，但一个简单的信息也可能在脑子里生根发芽。在你还不知道的时候，小李子已经在桌子上转起了陀螺，而没人关心它会停下来还是会一直转下去。
自然而然地，现在我们需要快速看穿一个图表是否在撒谎，而这篇图文就是你贴心的指导手册哟。
1）截断数轴
左边的y轴数据从10开始，纯粹的瞎话。右边的数据从0开始，很好。
长度是柱状图视觉呈现的关键，所以当某些人通过截断数轴而故意把长度缩短时，整个图表的差别就变得更明显了。这些人想要展现出比实际情况更剧烈的变化。我在另一篇文章里详细谈了这个问题。
2）双重数轴
它用了两种差距极大的比例，可能是为了强行扯上因果关系。
通过使用双重数轴，数据的量级可以根据两种度量来缩小或扩张。人们通常用它来表达相关度和因果关系。“因为这个东东，另一个事儿发生了，看，很清楚吧。”
Tyler Vigen做的假相关数据的项目是个极好的例子。
3）总和不对头
饼图中所有部分的比例加起来超过了100%。
一些图表专门要展示总体中的某些部分，而当这些部分加起来超过了总和，问题就很大了。比如，饼图代表的是总共100%，而如果每个扇形的比例加起来超过了100%？怪怪的噢。
可以看看这个搞笑的例子。
4）只看绝对值
这其实只是人口分布图。当你对比不同地方、种类或群体时，你必须考虑相对值，公平比较
任何事物都是相对的。你不能因为某个城镇发生了两起抢劫案，另一个只发生了一起，就说第一个镇更危险。万一第一个镇的人口是第二个的一千倍呢？更有效的方式往往是对比百分数和比例，而非绝对值和总值。
这幅xkcd的漫画很直白地展现了人口绝对数的影响。
5）有限范围
左图看上去增幅很大，但右图显示出这只是常态，且选定时间内的增幅实际并不明显。
人们倾向于精心挑选日期和时间段来配合特定的叙事，所以更应该考虑到历史背景、时常发生的事件，以及合理的用来比较的基准。
当你研究全局时，可能会发现有趣的事情。
6）奇怪的分级
左图只有两个分级，大于1的究竟包括些什么？可能在打掩护。右图更好，展示了更多变量。
有些可视化作品会过分简化一个复杂的模型，而非展示出原数据中完整的变量范围。这样做很容易会把一个连续的变量转化为从属于某一类别的变量。
广泛的分级在某些情况下很有用，但复杂性往往才是事物的意义所在。要防止过分简化。
7）混乱的面积比
30是10的三倍，但或许是为了增加显著性，图上最大的矩形比最小的大得可不止三倍。
如果按照面积来进行视觉上的编码，图形的大小比例就该是面积的比例。有些人却在做面积编码的可视化时，改变边长的比例来突出大小对比，完全是为了抓马啊。
有时这种错误是无意间造成的，更需要警觉。
8）操控面积维度
上下两个图形的面积相等，但看上去很不一样。
或许有人懂得怎么用面积来做视觉编码，却还（gu）是（yi）做出了上图这样的东西。我还没见过如此夸张的例子，但以后说不定就会有。我打赌连象形图都能出现，等着瞧吧。
9）为了三维而三维
千万别当你看到一个明明没必要还强行用三维的图表，请质疑它的数据、图表、作者及图表衍生出的任何事物。
划重点：
如果一个可视化作品出现了以上任何问题，并不代表它一定在撒谎。正如Darrell Huff在《如何用数据撒谎》里说的：
“本书的标题和里面一些内容可能像是在说，所有类似的作品都是为欺骗而生的产物。美国统计协会一个分会的主席曾经因为这个批评我，他觉得与其说出于欺骗，倒更像是能力不足。”
当然，这并不等于就可以原谅，毕竟也做错了嘛。但记住这点，你在骂某某某是骗子之前就可以再考虑考虑。
我的经验是，仔细检查那些令人震惊的、比想象中更具戏剧性的图表。
图表并不能让虚假的信息变成真的，数据也不能。它们会屈从于做图的人，也展示出信息本身之外更多的东西。那么，睁大你的眼睛咯。