上面那段爬阶梯，我想单独拎出来讲。Week 2 到 Week 5 表面上换了四个主题，底下是同一个动作在反复出现，就是给变量归类。

Week 2 先给变量分级：有的变量只有类别，能算的统计量只有众数；有的能加减，可零点是人定的，乘除就没意义了。判定方法很直白，你问一句「A 是 B 的几倍」说不说得通。摄氏度说不通，0°C 是水的冰点，20 度谈不上比 10 度热一倍；开尔文说得通，0 K 是绝对零度。

接下来 Week 3 把这套分类接到排序上。只有类别的变量按出现次数排没问题，带等级的必须按等级排。课上那份钻石数据里，净度 clarity 从差到好是 I1、SI2、SI1、VS2、VS1、VVS2、VVS1、IF。你要是按频数排，会得到 SI1、VS2、SI2、VS1 这样一串，等级顺序整个被打乱，好坏往哪边走就看不出来了。

📌 归类这一步做完，图上很多东西就已经定了。统计量能用哪个、类别按什么顺序摆，都跟着变量类型走，跟你觉得哪种好看没关系。

再往下 Week 4 把这套分类扩成一张三乘三的表。两个变量各自归好类，图表家族直接锁定：分类配分类进柱状族，分类配数值进并排分布，数值配数值进散点族。讲义在这里给了一句立场很明确的话：「No one is right or wrong, it all depends on what you are trying to communicate.」

🎨 Week 5 把同一套判断搬到颜色上，出口变成色板：

• 有序数值配 sequential
• 有正负或者有意义中点的配 diverging
• 会绕回起点的（星期、角度、时刻）配 cyclic
• 纯类别配 qualitative

同一周还排了通道精度，位置比大小准，大小比形状准，所以重要的变量优先给位置和颜色。一条线拉四周，每周换一个出口：先定统计量，再定排序，再定图表家族，最后定颜色。

🗺️ 一张地图，蓝色铺满全国

顺着这条线继续走，后面几周还有一层更容易漏掉的东西，就是数量口径。空间数据那一周把它讲得最狠。Choropleth 按区域的数据值给每块地上色，而人眼读地图读的是色块面积，这两件事对不齐就会出事。课上举了澳大利亚 2010 年联邦大选：那次选情非常接近，可是按胜出党派上色的地图，看起来蓝色几乎铺满了全国。Coalition 赢下的是内陆那些又大又空的选区，Labor 赢下的是城市里密集的小选区。一个选区不管住了多少人，在地图上都只占它自己那块地。地图老老实实按面积上了色，读的人却会以为票数也是这个比例。课上给的总结就一句：「This map shows land but not voters.」

同一周还有一个更贴近作业的例子。课上那份悉尼房贷数据，如果用原始户数上色，人口多的区天生颜色深，你看到的其实是区域规模；换成该区自己的百分比，配色会完全重排，图例上限直接从约 10000 户降到约 6%。同一份数据，同一张地图，结论可以反过来。

这条规矩在别的地方换个壳还会再出现。柱状图的频数由长度编码，纵轴必须从 0 开始，截断一下差异就被夸大；折线图读的是位置和斜率，纵轴就可以不从 0 开始。学会这一层之后，你看任何一张图都会先找坐标和口径，这个习惯到了期末那 30% 里会一直用得上。

🎯 交进报告的图，一张只回答一件事

这些判断最后都要落到交付上，这门课自己给了收口的说法。Week 5 的结论页写着：「Do not generate complicated plots for the sake of it. Always look for a story.」同一周给的工作流是，复杂的图用来探索，分面网格、五个变量塞进一张散点图，拿来找特征都好用；找到之后简化成一张能讲清一件事的图，再交出去。

交互那一周补上了另外半句：「In a written report interactivity cannot be used!」现场演示里，交互图、仪表板和动画都很有效果，可是印进 PDF 之后只剩一张截图。

把它和考核形式接起来就很清楚了。占 60% 的两份交付都是书面的 Python 产出，那么你放进报告的每一张图，都得是静态的、能印在纸上的，并且只回答一个判断。探索阶段画得多花都行，那部分不进交付。

🔖 这门课的省力法则就一句：探索随便复杂，交付只回答一个判断，而且必须静得下来。