检验抽样

问题背景

质量检验里常见矛盾是：总体很大、全检成本高，但抽检又必须可复现、可审计——方案参数要留档，抽到哪几条要有记录，事后还要能说明样本是否代表总体。手工在 Excel 里随机数、分层凑数，一旦换批次或换人，很难对齐同一套规则。

技能如何工作

本技能把检验抽样拆成四条可脚本化的链路，数据与方案默认落在工作目录下的 ./sampling_schemes/ 与 ./sampling_records/。

• 方案管理：用 scheme_manager.py 做方案的创建、列表、查看、更新、删除；参数包括 sample_size / sample_rate（二选一）、以及分层、系统、整群所需的 strata_field、interval、cluster_field。
• 数据输入：data_parser.py 解析 CSV（含中文编码与分隔符）、Excel（首个 sheet）、JSON（数组或对象数组），输出统一可用的待抽数据集。
• 计划生成：sampler.py generate 读方案与数据，按类型执行简单随机、分层、系统、整群算法，产出含样本索引与规则说明的计划；加 --record 时写入抽样记录。
• 结果分析：analyzer.py 对比样本与总体，覆盖样本量达成率、缺失率、数值分布与分类频次，并给出质量评估结论。

典型顺序是：先定方案 → 解析原始数据 → 生成计划（可选分层覆盖）→ 用分析脚本评估代表性。

适用边界与注意点

• 依赖 pandas / numpy 做数据处理；大数据量时注意内存，必要时分批。
• 方案名建议英文与数字，避免特殊字符；路径支持相对工作目录。
• 记录长期保存在 ./sampling_records/，适合追溯审计，但不替代你们内部的检验标准与判定规则。