技能介绍

它解决什么问题

产线上拿到一批测量数据，最常见的问题是两个：过程稳不稳？能不能满足客户规格？这两个问题不能混为一谈——一组数据可能完全不越控制限（统计受控），但 Cpk 只有 0.8，意味着大量产品会超出规格下限。SPC 统计过程控制 把这条判定链做成一条流水线：先画控制图、判异，再算能力指数，最后产出可交付的 HTML 报告，避免在 Excel 里手工拼公式带来的口径不一致。

核心能力

变量型控制图：Xbar-R（子组 2≤n≤9）、Xbar-S（n≥10）、I-MR（单值，n=1）
属性型控制图：P（不良率，样本量可不等）、NP（不良数，样本量恒定）、C（缺陷数，检验面积恒定）、U（单位缺陷数，检验面积可不等）
判异检测：Nelson 8 条规则（含 Western Electric 等价表述），主图与副图（R/S/MR）分别判定，输出触发的规则编号和对应点序号
过程能力分析：Cp / Cpk / Pp / Ppk / Cpm / PPM，并附 Anderson-Darling 正态性检验
引擎：scripts/spc.py 为纯 Python 标准库实现，零第三方依赖，Python 3.8+ 即可运行

使用方式

输入为 UTF-8 的 CSV（首行表头），脚本自动识别变量型/属性型与宽表/长表，也可用参数显式指定。不确定时传 --chart auto，脚本按数据形态自动选图：

连续测量 n=1 → I-MR；2≤n≤9 → Xbar-R；n≥10 → Xbar-S
计件且样本量不等 → P；样本量恒定 → NP
计点且检验面积恒定 → C；面积不等 → U

三个子命令：chart（仅控制图）、capability（仅能力分析）、analyze（控制图 + 判异 + 能力，最常用）。能力分析需提供规格上下限 --usl / --lsl，脚本自动用 R̄/d2（或 S̄/c4、MR̄/d2）估计组内标准差。每次运行在 --out 目录生成自包含的 HTML 报告（集成 SVG 控制图、判异结论、能力表），可选附加 Markdown 与 JSON 报告，以及可直接嵌入文档的独立 SVG 图。examples/ 内置 5 组演示数据，包含受控/失控对照，无需自备数据即可现场演示。

适用边界

受控 ≠ 合格：控制图回答"过程是否稳定"，能力指数回答"是否满足规格"，两者必须联合解读。
正态性前提：Cp/Cpk 基于正态假设。若 Anderson-Darling A² ≥ 0.752（α=0.05）提示非正态，结论需谨慎，建议先做数据变换。
属性型不做经典能力指数：P/NP/C/U 输出平均质量水平（p̄/c̄/ū）与不良率，不计算 Cp/Cpk。
控制限基准：基于当前数据估计。量产后宜用历史数据建立控制限，再监控新数据。