色差与色容差判定器｜SPC实战工具
这个工具解决什么问题
一批货的颜色偏不偏，不能只看一两个样品，也不能只看平均值：ΔE 均值 1.2、σ=1.2 的产线，超差率往往比均值 1.5、σ=0.3 的产线高得多。而且偏差来自明度还是色相，决定完全不同的整改动作。
输入数据格式
数据文件 color_diff_sample.csv，列顺序为：sample_id、group、L、a、b、std_L、std_a、std_b。
示例首行：产线A-01,产线A,78.426,7.084,11.946,78.0,6.5,12.0
示例输出（真实运行结果节选）
================================================================================================================ 色差与色容差批次判定报告（ΔE*ab） ================================================================================================================ 口径：ΔE*ab = √(ΔL²+Δa²+Δb²)；色差上限 USL = 2.00；色差能力指数 = (USL - 均值) / (3σ) 一、分组统计 ---------------------------------------------------------------------------------------------------------------- 分组 样品数 ΔE 均值 ΔE 标准差 ΔE 最大 超差数 超差率 能力指数 判定 产线C 8 2.102 0.923 3.549 3 37.5% -0.04 ❌ 不合格 产线B 8 1.489 0.313 1.977 0 0.0% 0.55 ⚠️ 边缘（偶发超差） 产线A 8 0.613 0.319 0.942 0 0.0% 1.45 ✅ 优秀 二、偏色方向（按分组均值） ---------------------------------------------------------------------------------------------------------------- 分组 ΔL 均值 Δa 均值 Δb 均值 主导偏差与整改方向 产线A 0.203 0.078 0.172 明度偏亮（ΔL>0）（0.203）→ 降低亮度或减少增白剂 产线B 0.402 0.058
一句话
算 ΔE 分布与色差能力指数，定位偏色方向并给出整改动作。
运行环境与快速开始
纯 Python 标准库，零第三方依赖，Python 3.8+ 开箱即跑。
python color_diff_judge.py # 首次运行会用同目录的示例数据跑出报告 python color_diff_judge.py 你的数据.csv # 需要时可在脚本内改成读取自己的文件
运行后在控制台打印完整中文报告，并写出 示例输出报告.txt。
输入数据格式
CSV 列为：sample_id、group（产线/供应商）、L、a、b（实测 CIE L*a*b*）、std_L、std_a、std_b（标准样 L*a*b*）
同目录的 color_diff_sample.csv 即为可直接运行的示例数据。
输出说明
① 分组统计（ΔE 均值、标准差、最大、超差数、超差率、色差能力指数、判定）；② 偏色方向表（ΔL/Δa/Δb 均值 + 主导偏差 + 整改方向）；③ 超差样品明细；④ 自检（已知偏移的理论 ΔE 对照）；⑤ 最好/最差分组对比与分层结论
算法口径（关键公式）
ΔE*ab = √(ΔL² + Δa² + Δb²)；单边规格能力指数 = (USL − 均值) / (3σ)；分组均值反映系统性偏差，组内标准差反映波动；主导分量取 |ΔL|、|Δa|、|Δb| 均值最大者。
参数与调整点
· DE_LIMIT：色差上限，常见消费品 1.5~3.0，按客户敏感度设。 · group 列用来做产线/供应商对比；不需要对比时填同一个值即可。 · 自检行（group=自检）不计入统计，仅用于校验算法。
常见误判与注意事项
1. 色差必须与标准样绑定；标准样自身漂移会让整批判定失真，建议每班次用色板复核。 2. 只看平均值会掩盖波动，能力指数同时看均值与 σ 才全面。 3. 视觉容差与 ΔE 并非线性：ΔE<1.0 多数人看不出，1.0~2.0 训练后可辨，>3.0 普通用户也会投诉。 4. 判定偏色方向时先看分组均值（系统性）再看组内 σ（波动），两者整改动作完全不同。
附赠
· 附赠提示词.txt：3 条同主题 AI 提示词，可直接投喂给任意大模型继续扩展分析。
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="color_diff_sample.csv"、REPORT_NAME="示例输出报告.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：color_diff_sample.csv、示例输出报告.txt。
脚本里的主要处理步骤
make_sample()：三条产线各 8 件，另加一条自检样品。
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
- 明度偏暗（ΔL<0）
- 明度偏亮（ΔL>0）
- 偏红（Δa>0）
- 偏绿（Δa<0）
- 偏黄（Δb>0）
- 偏蓝（Δb<0）
- 色差与色容差批次判定报告（ΔE*ab）
- 一、分组统计
- ΔE 均值
- ΔE 标准差
- ΔE 最大
- 能力指数
- ✅ 优秀
- ✅ 合格
- ⚠️ 边缘（偶发超差）
- ❌ 不合格
- 二、偏色方向（按分组均值）
- ΔL 均值
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：color_diff_judge.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：sample_id、group、L、a、b、std_L、std_a、std_b。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。
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。
示例数据能直接跑吗？
可以。示例数据与主程序在同一压缩包内，解压后直接运行即可看到完整输出，确认无误再替换成自己的台账。
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。
