用途：这是位于绘图库之上的设计层技能，帮助在分析、基础设施监控和机器学习场景中构建有效的图表、仪表盘与报告。核心原则是把图表类型匹配到数据关系，把关键数值编码在位置或长度等感知准确的通道上，避免失真并保证可访问性。
主要能力：按数据关系给出图表选择建议，例如跨类别比较用排序后的水平条形或点图，部分与整体用堆叠条形或树图（饼图仅限不超过约5个切片），分布用直方图、箱线图、小提琴图或ECDF，双变量关系用散点加趋势线或二维密度/六边形分箱，时间趋势用折线，排名用有序条形或棒棒糖图，绩效对比目标用子弹图，地理数据用归一化分级统计图。同时给出感知准确性排序（位置>长度>角度/面积>颜色），强调条形图必须从0开始、避免截断纵轴和双纵轴造成的虚假相关，追求失真系数接近1，并减少图表垃圾。
颜色与无障碍：连续色用viridis/cividis，发散色用RdBu/coolwarm并把中性点设在有意义的零点，分类色用Okabe–Ito或ColorBrewer Set2且不超过约8种；不能只靠色相传达含义，需加形状、线型或直接标注等冗余编码；文本对比度达4.5:1，图形达3:1，并提供替代文本和数据表回退。
数据量与库选型：密集散点用六边形分箱、二维密度、透明度或抽样；高基数类别取前N加“其他”；时间序列按显示分辨率聚合（如LTTB），延迟展示p50/p95/p99而非仅均值，缺失数据留空而非插值；跨数量级数据可用对数刻度并明确标注。标准统计图可选Vega-Lite、Plotly、Seaborn，定制或新颖交互可视化用D3或Observable Plot，运维时序仪表盘用Grafana。
仪表盘设计：重要内容放左上，先给4–6个KPI（值、趋势、目标或基线），细节下置并支持下钻；各面板坐标轴、颜色含义和单位保持一致；每个数字都要有基线、目标或上期对比。分析类需日期范围、筛选和导出；监控类需阈值带、百分位和30–60秒自动刷新；机器学习类需训练与验证曲线、归一化混淆矩阵和特征重要性条形图。
限制与注意事项：饼图百分比不合计为100或含负值时无意义；彩虹/jet色图会制造虚假结构，禁止用于定量编码；跨组平均百分位或比率可能因辛普森悖论误导，应先聚合原始计数再计算比率；matplotlib中pandas的freq="M"已弃用，应改用"ME"；Seaborn样式名需带版本，如plt.style.use("seaborn-v0_8-whitegrid")。发布前应核对图表类型、编码通道、坐标轴起点、配色无障碍、数据聚合与加载性能等清单项。