缺陷设备卡方关联检验器｜SPC实战工具
这个工具解决什么问题
> 用卡方检验判断「某台设备是否偏好产出某类缺陷」，并用标准化残差精准锁定是哪一台、哪一类。
输入数据格式
数据文件 defect_tool_crosstab.csv，列顺序为：设备、缺陷类型、缺陷数。
示例首行：ETCH-01,颗粒,18
示例输出（真实运行结果节选）
==================================================================
缺陷类型 × 设备 关联性分析报告（卡方独立性检验）
==================================================================
【一、数据概况】
设备数: 6 缺陷类型数: 5 缺陷总数: 527
设备占比: ETCH-01 14.4%、ETCH-02 14.2%、ETCH-03 24.5%、CVD-01 13.9%、CVD-02 18.4%、CLEAN-01 14.6%
【二、检验前提检查】
期望频数 < 5 的格子数: 0 / 30
✔ 期望频数满足卡方检验的常规要求，结论可用。
【三、检验结果】
卡方统计量 χ² = 71.559 自由度 df = 20
上尾概率 p = 1.012e-07 （显著性水平 α = 0.05）
Cramér's V = 0.184
→ 结论：拒绝独立性假设。缺陷类型分布在不同设备间存在显著差异，
即存在「特定设备偏好产出特定缺陷」的现象，值得按下面的残差定位复盘。
关联强度判读：Cramér's V = 0.184，属于「偏弱」关联。
【四、标准化残差定位（哪些组合显著超标）】
判读：残差 > +2 表示该设备该类缺陷显著多于随机预期；< -2 表示显著偏少。
设备 缺陷类型 实际 期望 残差
ETCH-03 颗粒 75 43.6 6.73 ← 显著超标
CVD-02 膜厚异常 36 18.4 5.04 ← 显著超标
CVD-01 电性失效 13 8.7 1.66
ETCH-02 图形缺陷 19 14.1 1.57
ETCH-01 划伤 17 12.5 1.49
ETCH-01 图形缺陷 18 14.3 1.18
CLEAN-01 划伤 16 12.7 1.09
CLEAN-01 图形缺陷 17
适用场景
· 良率工程师、缺陷分析、质量工程师日常复盘 · 把「感觉某台机有问题」变成有统计依据的结论，避免凭印象停机
怎么用
python chi_square_association.py
首次运行会自动生成示例数据并输出一份完整报告； 把示例 CSV 换成你自己的数据（保持列名一致）后重新运行即可。
输入数据
defect_tool_crosstab.csv：设备 / 缺陷类型 / 缺陷数 三列（脚本自带示例数据，可直接跑）
输出内容
· 卡方统计量、自由度、p 值、Cramér's V 关联强度 · 检验前提检查（期望频数 <5 的格子占比） · 标准化残差排行，锁定显著超标的「设备-缺陷」组合
依赖
无。仅使用 Python 标准库（csv / math / os / datetime 等）， 不需要 pip 安装任何包，Windows / Linux / macOS 均可运行。
实用提示
可调参数与计算口径
脚本顶部集中了主要阈值与常量：CSV_NAME="defect_tool_crosstab.csv"、REPORT_NAME="chi_square_report.txt"、ALPHA=0.05。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：defect_tool_crosstab.csv、chi_square_report.txt。
脚本里的主要处理步骤
gammq()：正则化不完全伽马函数 Q(a,x) = 卡方分布上尾概率chi2_sf()：卡方分布上尾 p 值
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
- 确定性伪随机（LCG），避免依赖 random 造成结果不可复现。
- 图形缺陷
- 膜厚异常
- 电性失效
- 缺陷类型
- 已生成示例数据:
- 已读取数据:
- 正则化不完全伽马函数 Q(a,x) = 卡方分布上尾概率
- 卡方分布上尾 p 值
- 缺陷类型 × 设备 关联性分析报告（卡方独立性检验）
- 【一、数据概况】
- 设备数: %d 缺陷类型数: %d 缺陷总数: %.0f
- 设备占比:
- 【二、检验前提检查】
- 期望频数 < 5 的格子数: %d / %d
- ⚠ 超过 20% 的格子期望频数偏小，卡方近似可能失真；
- 建议合并低频缺陷类别，或改用精确检验后再下结论。
- ✔ 期望频数满足卡方检验的常规要求，结论可用。
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：chi_square_association.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 3 列：设备、缺陷类型、缺陷数。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 一、数据概况、二、检验前提检查、三、检验结果、四、标准化残差定位（哪些组合显著超标）、五、行动建议 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。
