属性一致性Kappa分析器｜SPC实战工具
这个工具解决什么问题
针对「属性型」判定（外观目检、听音、通止规、颜色卡）的一致性分析： 同人两次重复（重复性）→ 各人与基准比对（准确度）→ 全体一致性（Fleiss kappa）， 按 Landis & Koch 标准判读，并自动导出分歧零件清单做成标准件库。
输入数据格式
数据文件 attr_agreement.csv，列顺序为：part、ref、评价人A_T1、评价人A_T2、评价人B_T1、评价人B_T2、评价人C_T1、评价人C_T2。
示例首行：P01,合格,合格,合格,合格,合格,合格,合格
示例输出（真实运行结果节选）
属性一致性 Kappa 分析报告 ============================================================================== 样本：50 个零件 × 3 名评价人 × 2 次重复判定（类别：合格/不合格） 【一、各评价人：重复性（自己两次是否一致）与准确度（对基准）】 评价人 重复一致率 重复Kappa 对基准一致率 对基准Kappa 评价人A 98.0% 0.951 99.0% 0.975 评价人B 94.0% 0.848 97.0% 0.925 评价人C 92.0% 0.802 96.0% 0.901 【二、判读标准（Landis & Koch 1979）】 Kappa >0.81 极好 | 0.61~0.80 显著 | 0.41~0.60 中等 | 0.21~0.40 一般 | <0.21 差 质量体系通行门槛：同一评价人重复 Kappa ≥0.90；对基准 Kappa ≥0.75。 评价人A：重复 Kappa 0.951（极好(almost perfect)）；对基准 Kappa 0.975（极好(almost perfect)）→ 综合达标 评价人B：重复 Kappa 0.848（极好(almost perfect)）；对基准 Kappa 0.925（极好(almost perfect)）→ 综合不达标 评价人C：重复 Kappa 0.802（显著(substantial)）；对基准 Kappa 0.901（极好(almost perfect)）→ 综合不达标 【三、全体一致性（Fleiss' Kappa，含所有评价人）】 平均成对一致率 P̄ = 0.9520 Fleiss Kappa = 0.881 → 极好(almost perfect) 最弱环节：评价人C（对基准 Kappa 0.901）—— 系统一致性的短板决定整体判定可信度。 【四、分歧零件清单（建议纳入标准件库复盘）】 P09 基准=合格 判定分布 合格×4 不合格×2 P16 基准=合格 判定分布 合格×5 不合格×1 P31 基准=合格 判定分布 合格×5 不合格×1 P37 基准=不合格 判定
解决什么问题
「这个检具/这个人到底靠不靠谱？」——属性判定没有数值可算，只看整体合格率 会掩盖两类问题：自己跟自己不一致（重复性差）与跟基准不一致（准确度差）。 本工具把两者拆开算，并指出具体是哪几个零件在制造分歧，可以直接拿去复盘。
使用方法
python attr_kappa.py # 自动生成示例数据并出报告 python attr_kappa.py 我的.csv # 用自己的数据
不依赖第三方库，Python 3.8+ 直接运行。
输入格式（CSV，UTF-8）
· ref：基准/标准判定（也可填「未知」只做一致性不算准确度） · 每位评价人 2 次判定的列名形如 评价人X_T1 / 评价人X_T2
输出说明
· attr_agreement.csv：示例数据（首次运行自动生成） · attr_kappa_report.txt：总体一致性、逐人重复性/准确度、kappa 判读、 分歧零件清单与改善建议
适用场景
目检工位上岗认证、检具 GR&R 的属性版本、客户投诉复判一致性核查。
注意事项
一致性分析要求样本中合格与不合格都要有足够数量（建议各占 30% 以上）， 全是合格品的样本会算出虚高的 kappa。
可调参数与计算口径
脚本顶部集中了主要阈值与常量：CATS=["合格", "不合格"]、CSV_NAME="attr_agreement.csv"、REPORT_NAME="attr_kappa_report.txt"。改完直接重跑即可，不必改动计算逻辑。
会生成哪些文件
运行后除控制台输出外，还会生成：attr_agreement.csv、attr_kappa_report.txt。
脚本里的主要处理步骤
make_sample()：3 名评价人各判定 2 次，50 件产品（36 合格 / 14 不合格），含 1 个疑难件。kappa()：Cohen's kappa：pairs 为 (判定1, 判定2) 列表。fleiss_kappa()：Fleiss' kappa：每个受试对象被多人多次判定（视为 n 次评定）。
以上步骤在脚本中是分开的函数，可以单独调用或按需替换其中一段，不必整体重写。
工具中出现的字段与提示
- 极好(almost perfect)
- 显著(substantial)
- 中等(moderate)
- 一般(fair)
- 差(slight/poor)
- 评价人A
- 评价人B
- 评价人C
- 属性一致性 Kappa 分析报告
- 样本：%d 个零件 × %d 名评价人 × 2 次重复判定（类别：%s）
- 【一、各评价人：重复性（自己两次是否一致）与准确度（对基准）】
- 重复一致率
- 重复Kappa
- 对基准一致率
- 对基准Kappa
- 【二、判读标准（Landis & Koch 1979）】
- 【三、全体一致性（Fleiss
- 平均成对一致率 P̄ = %.4f
其余字段以界面与示例报告为准。
下载与文件清单
压缩包内包含：主程序脚本、示例数据文件、示例输出报告、中文说明文档，以及同主题 AI 提示词一套。解压后按说明运行即可，示例数据可直接试跑。
主程序文件：attr_kappa.py。
本站工具免费下载，无需注册。工具为 Python 脚本，Python 3.8 及以上环境可直接运行，核心功能尽量不依赖第三方库。
常见问题
输入数据要准备成什么样？
按 示例首行中的列顺序准备即可，共 8 列：part、ref、评价人A_T1、评价人A_T2、评价人B_T1、评价人B_T2、评价人C_T1、评价人C_T2。列为空或格式不符时结果会失真，建议先用示例数据试跑一遍。
跑完最该关注哪几项？
报告按 二、判读标准（Landis & Koch 1979）、四、分歧零件清单（建议纳入标准件库复盘）、五、结论与改善动作 等部分组织，其中判定结论与建议部分直接对应下一步动作。
阈值可以改成我们自己的标准吗？
可以，脚本顶部已把主要阈值与常量集中声明，按自己产线的标准修改后重跑即可，不需要改计算逻辑。
附赠的提示词怎么用？
把提示词与自己的数据一起交给大模型，可以让它按同一套口径帮你改写分析流程或扩展报告字段。
同分类的其它工具
分类归属：SPC与质量分析工具包；完整清单在 工具资源包下载页。
