用PythonMatplotlib实战复刻七大QC工具图在质量管理和数据分析领域七大QC工具图是经典的分析方法。传统的绘制方式往往依赖Excel或专业统计软件不仅效率低下也难以实现自动化分析。本文将带你用Python的Matplotlib和Pandas库将这些工具图从手动绘制升级为代码驱动的自动化流程。1. 环境准备与数据模拟在开始绘制图表前我们需要搭建Python环境并准备模拟数据。推荐使用Jupyter Notebook进行交互式开发它能实时展示图表效果。首先安装必要的库pip install matplotlib pandas numpy scipy模拟质量数据的核心代码import numpy as np import pandas as pd # 模拟生产数据 np.random.seed(42) data { 缺陷类型: [尺寸不符, 表面划伤, 颜色偏差, 装配不良, 包装破损], 数量: np.random.randint(10, 100, 5), 原因分类: [设备, 操作, 材料, 工艺, 环境] } df pd.DataFrame(data).sort_values(数量, ascendingFalse) df[累计百分比] df[数量].cumsum() / df[数量].sum() * 100提示使用NumPy的随机种子可以确保每次生成相同的数据便于结果复现2. 鱼骨图因果图的代码实现鱼骨图是分析问题根本原因的利器。传统绘制需要手动添加各个鱼骨而用Matplotlib可以程序化生成。import matplotlib.pyplot as plt def create_fishbone(problem, causes): fig, ax plt.subplots(figsize(10, 6)) # 主骨 ax.arrow(0.1, 0.5, 0.8, 0, head_width0.02, head_length0.02, fck) ax.text(0.5, 0.52, problem, hacenter, vabottom, fontsize12) # 大骨 categories [人员, 方法, 机器, 材料, 环境, 测量] angles [30, 20, 10, -10, -20, -30] for i, (cat, angle) in enumerate(zip(categories, angles)): x_end 0.3 0.1 * np.cos(np.radians(angle)) y_end 0.5 0.1 * np.sin(np.radians(angle)) ax.plot([0.3, x_end], [0.5, y_end], k-) ax.text(x_end0.02, y_end, cat, fontsize10) # 小骨 for j in range(3): xx_end x_end 0.05 * np.cos(np.radians(angle)) yy_end y_end 0.05 * np.sin(np.radians(angle)) ax.plot([x_end, xx_end], [y_end, yy_end], k--) ax.set_xlim(0, 1) ax.set_ylim(0, 1) ax.axis(off) plt.tight_layout() return fig create_fishbone(产品表面划伤率高, {})关键参数说明problem: 待分析的主要问题causes: 原因字典可按需扩展自动填充小骨内容angles: 控制大骨分支角度可根据美观调整3. 柏拉图帕累托图自动化生成柏拉图能直观显示关键的少数问题是质量改进的优先指南。传统方法需要手动计算累计百分比而Pandas可自动完成。def create_pareto(df, x_col, y_col, title): fig, ax1 plt.subplots(figsize(10, 6)) # 柱状图 bars ax1.bar(df[x_col], df[y_col], colorC0) ax1.set_xlabel(缺陷类型) ax1.set_ylabel(数量, colorC0) ax1.tick_params(axisy, labelcolorC0) # 累计百分比线 ax2 ax1.twinx() line ax2.plot(df[x_col], df[累计百分比], colorC1, markero, ms5) ax2.set_ylabel(累计百分比 (%), colorC1) ax2.tick_params(axisy, labelcolorC1) ax2.set_ylim(0, 110) # 80%参考线 ax2.axhline(80, colorr, linestyle--) ax2.text(df[x_col].iloc[1], 85, 80% 关键线, colorr) plt.title(title) plt.xticks(rotation45) plt.tight_layout() return fig create_pareto(df, 缺陷类型, 数量, 产品缺陷柏拉图分析)优化技巧使用双Y轴分别显示数量和百分比添加80%参考线突出关键少数自动计算累计百分比避免手动处理4. 管制图控制图的智能监控管制图是监控过程稳定性的核心工具。传统方法需要手动计算控制限而SciPy可自动计算统计参数。from scipy import stats def create_control_chart(data, period30): # 模拟30天生产数据 samples np.random.normal(loc10, scale0.5, sizeperiod) samples[25] 12.5 # 添加一个异常点 # 计算控制限 x_bar np.mean(samples) sigma np.std(samples, ddof1) ucl x_bar 3*sigma lcl x_bar - 3*sigma fig, ax plt.subplots(figsize(12, 6)) ax.plot(samples, bo-, label实际值) ax.axhline(x_bar, colorg, linestyle-, label中心线 (CL)) ax.axhline(ucl, colorr, linestyle--, label上限 (UCL)) ax.axhline(lcl, colorr, linestyle--, label下限 (LCL)) # 标记异常点 outliers np.where((samples ucl) | (samples lcl))[0] for idx in outliers: ax.plot(idx, samples[idx], ro, ms8) ax.set_title(X-bar 管制图 (30天生产数据)) ax.set_xlabel(时间 (天)) ax.set_ylabel(关键尺寸 (mm)) ax.legend() ax.grid(True) plt.tight_layout() return fig create_control_chart(None)进阶功能扩展自动检测并标记超出控制限的点实现Western Electric规则检测其他异常模式添加移动极差图实现Xbar-R联合监控5. 散布图与相关性分析自动化散布图用于分析变量间关系传统方法只能肉眼判断趋势而结合Scipy可自动计算相关系数。def create_scatter_plot(x, y, xlabel, ylabel): fig, ax plt.subplots(figsize(8, 6)) # 绘制散点 ax.scatter(x, y, alpha0.6) # 计算回归线 slope, intercept, r_value, _, _ stats.linregress(x, y) line_x np.linspace(min(x), max(x), 100) line_y slope * line_x intercept ax.plot(line_x, line_y, r--, labelf回归线 (R{r_value:.2f})) ax.set_xlabel(xlabel) ax.set_ylabel(ylabel) ax.set_title(f{xlabel} vs {ylabel} 相关性分析) ax.legend() ax.grid(True) plt.tight_layout() return fig # 模拟数据 temp np.random.normal(25, 5, 50) defect_rate 0.1 * temp np.random.normal(0, 0.5, 50) create_scatter_plot(temp, defect_rate, 温度(℃), 缺陷率(%))分析维度扩展自动计算并显示Pearson相关系数添加回归线量化关系强度支持非线性回归模型拟合6. 直方图与分布拟合智能分析直方图展示数据分布特征传统方法只能简单分组而结合Seaborn可自动优化分箱并拟合分布。import seaborn as sns def create_histogram(data, distnorm): fig, ax plt.subplots(figsize(10, 6)) # 智能分箱直方图 sns.histplot(data, kdeTrue, statdensity, binsauto, colorskyblue) # 拟合正态分布 if dist norm: mu, std stats.norm.fit(data) x np.linspace(min(data), max(data), 100) p stats.norm.pdf(x, mu, std) ax.plot(x, p, r-, linewidth2, labelf正态分布 (μ{mu:.2f}, σ{std:.2f})) ax.set_title(数据分布直方图与拟合曲线) ax.set_xlabel(测量值) ax.set_ylabel(密度) ax.legend() ax.grid(True) plt.tight_layout() return fig # 模拟尺寸数据 diameters np.random.normal(10.0, 0.3, 500) diameters np.append(diameters, [9.2, 11.1]) # 添加异常值 create_histogram(diameters)专业功能增强自动选择最优分箱数量支持多种分布拟合正态、指数、威布尔等显示关键统计参数均值、标准差等7. 检查表与层别法的数据透视实现传统检查表和层别法依赖人工分类统计而Pandas的透视表功能可自动化这一过程。def create_stratification(data, group_col, value_col): # 生成层别统计表 stats data.groupby(group_col)[value_col]\ .agg([count, mean, std]) # 可视化对比 fig, (ax1, ax2) plt.subplots(1, 2, figsize(14, 6)) # 数量对比 stats[count].plot(kindbar, axax1, colorC0) ax1.set_title(f各{group_col}样本数量对比) ax1.set_ylabel(数量) # 均值对比 stats[mean].plot(kindbar, axax2, colorC1, yerrstats[std], capsize4) ax2.set_title(f各{group_col}{value_col}均值对比) ax2.set_ylabel(f平均{value_col}) plt.tight_layout() return fig, stats # 模拟分层数据 np.random.seed(42) strat_data pd.DataFrame({ 班组: np.random.choice([A班, B班, C班], 200), 缺陷数: np.random.poisson([3, 5, 7], 200) }) create_stratification(strat_data, 班组, 缺陷数)自动化优势一键生成分层统计指标自动计算各组均值和标准差可视化对比不同层别差异8. 报告自动化与集成方案将上述图表集成到自动化报告中实现QC分析全流程自动化。Jupyter Notebook集成方案from IPython.display import display, Markdown def generate_qc_report(data_dict): display(Markdown(# 质量分析周报)) # 1. 柏拉图分析 display(Markdown(## 1. 缺陷柏拉图分析)) fig create_pareto(data_dict[defects], 缺陷类型, 数量, 本周缺陷分析) display(fig) # 2. 管制图监控 display(Markdown(## 2. 关键尺寸管制图)) fig create_control_chart(data_dict[samples]) display(fig) # 3. 层别分析 display(Markdown(## 3. 班组层别分析)) fig, _ create_stratification(data_dict[strat], 班组, 缺陷数) display(fig)PDF自动生成方案from matplotlib.backends.backend_pdf import PdfPages def save_to_pdf(figs, filenameqc_report.pdf): with PdfPages(filename) as pdf: for fig in figs: pdf.savefig(fig, bbox_inchestight) plt.close(all)企业级集成建议将分析代码封装为Python模块设置定时任务自动运行分析通过邮件自动发送分析报告与企业BI系统对接推送结果