本工具集通过标准化协议实现数据到图形的确定性映射。我们的三阶段架构确保了绘图过程的严谨性：首先，LLM 根据您的自然语言指令识别分析意图，确定最合适的图表类型（如折线图、散点图、直方图等）；接着，Lattice 的确定性 Python 引擎处理数据，处理 NaN 值并计算统计量（如置信区间或分箱），完全遵循特定于工具的数学逻辑；最后，LLM 将结果数据结构化地返回给前端，确保图表样式一致且准确传达洞察。这种拆分避免了传统分析中的黑箱效应，让您明确知道图表中的每一处点、线或统计边界是如何由数据直接推导而来的，而非简单的自动匹配。
何时选择这一家族
- 需要观察两个数值变量之间的相关性，或按分类维度进行对比
- 有按时间排序的数据，需要直观展示趋势变化或带置信区间的波动范围
- 数据量大且分布复杂，需要通过多面板（facet）快速对比不同细分群体的表现
- 追求报告输出的一致性，要求不同分析场景下的绘图风格、标签和坐标轴比例保持统一
数据可视化的核心机制
Lattice 的数据可视化不仅仅是画图，它是一套基于数据契约的计算流程。当您发起绘图请求时，系统会自动执行数据清洗和类型校验，确保绘图所用的数据具备物理意义。例如，在绘制折线图时，如果存在缺失的 X 或 Y 值，系统会执行严格的 listwise 丢弃，并在结果中明确告知行数缺失情况。
我们的绘图工具支持 inline-facet 机制，允许您在单个维度下快速拆分图表。无论是进行每组独立的聚合分析，还是查看特定维度的 top-N 分布，系统均采用每面板独立计算的逻辑，确保统计边界和排序不会被全局统计所掩盖。
如何选择适合的图表逻辑
虽然可视化工具很多，但选择的核心在于您希望表达的“意图”。若您关注“趋势”或“走势”，`plot_line` 是最高优先级，因为它默认对时间序列进行排序，并支持以置信区间带的方式展示不确定性。若您侧重“关联性”，`plot_scatter` 则提供原始点分布，不做额外的数学聚类。
不同于追求花哨效果的绘图库，本工具集强调“决策驱动”。例如，在 `plot_bar` 中，当开启 facet 分面时，系统的聚合、排序和错误棒计算都是“per-panel”的。这意味着您可以一眼看出不同部门、不同地区或不同批次下数据的真实表现，而非被整体平均值所迷惑。
常见的问题与误区
初学者常尝试将不具备统计意义的类别列作为连续变量绘图，或在包含大量缺失值的列上直接进行绘图。请记住，所有工具均在绘图前强制要求数据类型对齐。如果数据类型不合法，系统会直接报错，而不是进行可能导致误导的自动补全或插值。
另一个常见误区是忽略了数据分面时的截断规则。在处理类别极多的数据时，系统默认保留 top-12 并丢弃其余数据，这并非为了美观，而是为了防止图表信息过载和渲染崩溃。建议您在分析前对类别数据进行必要的聚合或筛选。
常见问题
- 为什么我的折线图中某些位置的置信区间消失了？
- 置信区间基于样本 t 分布计算。如果特定 x 位置的样本数少于 2 个，或者样本的标准误为 0，系统无法计算有效的置信区间，此时该位置将返回 NaN，前端将自动跳过连接以真实反映数据稀疏性。
- 开启分面（facet_by）后，图表里的数据排序变了，这是为什么？
- 当您使用 `facet_by` 时，`plot_bar` 等工具会切换到 per-panel 独立计算模式。这意味着排序逻辑（如按数值降序）是在每一个独立的面板内部执行的。这样能确保您看到的 top-N 是在该细分维度下的真实排名，而非全局排序。
- 如果我的数据里有 NaN，Lattice 会怎么处理？
- 我们遵循严格的“不插补”原则。对于绘图工具，缺失值策略通常为 listwise dropna（按行丢弃）。如果是分面列含有 NaN，该行会被直接舍弃并记录在 `n_rows_dropped_facet_nan` 中，以确保图形展示的数据集始终是完整且合规的。