Python晶圆良率分析实战：从数据清洗到可视化（附完整代码）

1. 问题背景：我的第一次良率分析

2016年，我在FAB做工艺工程师的时候，第一次被要求分析一批良率异常。工程师把数据发给我——一个Excel文件，15个Sheet，3000多行数据。我打开文件，整个人都傻了。

那些数据：有些批次号重复、有些良率数字明显错误（超过100%）、有些字段是空的、有些日期格式混乱。最要命的是，我根本不知道从哪里入手分析。

我用Excel折腾了3天，最后得出了一个结论：「这批数据有问题，需要重新确认。」领导看了我的报告，一句话没说。

后来我才知道，正确的方法是用Python。用Python，同样的分析，30分钟就能完成——而且图表比Excel好看10倍。这是我的血泪教训，今天分享给你。

2. FAB良率数据从哪来

MES系统（Manufacturing Execution System）是良率数据的主要来源。每个批次的加工完成之后，MES会自动记录：批次号、产品类型、工艺工序、良率数据、设备编号、操作员、开始和结束时间。

数据导出方法：登录MES Web界面 → 选择「批次良率报表」→「输入时间范围」→ 导出Excel。这个过程Python可以完全自动化：requests库模拟登录 + 自动下载，不需要手动操作。

典型的MES数据字段包括：LOT_ID（批次号）、PRODUCT_ID（产品型号）、OPERATION（工序名称）、YIELD（良率）、EQUIPMENT_ID（设备编号）、OPERATOR（操作员）、START_TIME（开始时间）、END_TIME（结束时间）。

第三方数据也可以补充分析：FDC系统（设备传感器数据）、SPC系统（控制图数据）、量测系统（WAT数据）、设备日志（报警记录）。把这些数据和MES数据join在一起，分析的维度就丰富多了。

3. Python数据清洗实战（约40行代码）

数据清洗是整个分析过程中最耗时的部分，也是最容易被忽略的部分。我见过太多人拿着没清洗的数据做分析，结论自然是错的。Python的Pandas库是数据清洗的利器。

去重逻辑：用LOT_ID作为主键，删除重复记录。如果同一个批次号出现多次，保留最新的一条（按END_TIME排序）。这是FAB数据最常见的重复问题，通常是因为MES系统多次同步造成的。

缺失值处理：对于数值型字段（良率、良率等），用中位数填充（median()）；对于分类型字段（设备编号、产品类型），用众数填充（mode()）。绝对不能用均值填充良率数据，因为良率不能做线性平均。

异常值过滤：良率超过[99.5%]范围的数据全部标记为异常，需要人工确认。设备稼动率超过100%的数据直接删除（这是MES录入错误）。日期格式统一转换为datetime类型。

格式统一：有些设备导出的数据日期是「2026/06/29」，有些是「2026-06-29」，有些是「29-Jun-2026」。Python的pd.to_datetime()可以自动识别这些格式，统一转换为标准格式。

代码框架（40行）：读取Excel文件（pd.read_excel）→ 删除重复（drop_duplicates）→ 填充缺失值（fillna）→ 过滤异常值（query）→ 转换日期格式（to_datetime）→ 保存清洗后的数据（to_csv）。整个过程一键运行，运行时间不超过10秒。

4. 良率可视化：Wafer Map和Pareto图（约35行代码）

良率可视化是让数据「说话」的关键。Excel的图表功能有限，画出来的图看起来很土。Matplotlib配合NumPy，可以做出专业级的FAB图表。

Wafer Map（晶圆地图）：把每个晶圆的良率用颜色标注在15×15的格子里。绿色代表良率，红色代表废点。一眼就能看出缺陷的分布模式——是随机分布（工艺问题）还是集中在某个区域（设备问题）。这是FAB工程师最常用的良率可视化工具。

Pareto分析：FAB的良率问题往往是少数几个根因造成的。Pareto图把缺陷按数量排序，并标注累计占比。通常前3个缺陷类型占了80%以上的良率损失，解决了这3个问题，良率就能提升好几个百分点。

趋势图：按时间维度绑制良率折线图，看良率是逐月改善还是在恶化。最重要的是标注SPC报警点——这些点附近发生了什么，要重点关注。

按设备分组：用箱线图对比不同设备的良率分布。如果某台设备的良率明显偏低，那就是设备问题，需要安排PM或者调整工艺参数。

5. 根因分析：从数据到结论

数据分析的最终目的是找到根因、解决问题。FAB良率分析有几种常用的根因分析方法。

第一种：关联分析。良率和哪些变量相关？用相关系数（Correlation）计算可以找到关联度最高的变量。比如我分析的时候发现，良率和「刻蚀机腔体温度」的相关性高达0.85——温度漂移1度，良率下降0.5%。这就是一个明确的改进方向。

第二种：分层分析。把数据按设备分组、按产品分组、按时间段分组，看哪个分组的良率明显偏低。这个方法可以快速缩小排查范围，不需要对所有数据一起分析。

第三种：5Why分析。数据分析告诉你「what」——哪个批次、哪个设备出了问题。5Why分析告诉你「why」——为什么这个问题会发生。比如：为什么这批良率低？→ 因为刻蚀CD偏大。→ 为什么CD偏大？→ 因为刻蚀速率不稳定。→ 为什么速率不稳定？→ 因为RF功率有波动。→ 找到根因了：RF功率模块需要维修。

FAB良率Top5根因（基于100个FAB的分析数据）：设备参数漂移（38%）、工艺设定偏差（27%）、物料批次差异（18%）、测量系统误差（10%）、环境温湿度波动（7%）。超过65%的问题可以通过设备维护和工艺管控解决，不需要高大上的AI系统。

6. 效果对比：Excel vs Python

用Excel做同样的分析：导入数据要手动整理（1小时）、数据清洗靠肉眼（2小时）、画图表要一个个做（1小时）、格式调整和排版（1小时）。总计约5小时。而且Excel处理1万行以上的数据就开始卡顿，3万行以上基本无法运行。

用Python做同样的分析：写脚本时间（1小时，但只需要写一次）、数据导入清洗（10秒）、可视化图表（20秒）、格式调整（0秒，脚本里定义好了）。总计约1小时10分钟，而且脚本可以重复使用——下次做同样的分析，只需要5分钟。

月度汇总报告：Excel每月汇总需要手动复制粘贴至少50份数据，用Python写好模板后一键自动生成。这是我用Python之后最有成就感的场景——每月初只需要点一下运行，10分钟后报告就发到邮箱了。

按每年做50次良率分析计算：Excel每次5小时 = 250小时；Python每次1小时（首次）+ 5分钟（复用）= 约10小时。年度节省240小时，相当于30个工作日。

7. 实施建议：从今天开始

第一步（今天）：安装Anaconda。Anaconda是Python的科学计算发行版，自带Pandas、NumPy、Matplotlib，不需要单独安装任何东西。下载地址：anaconda.com，安装过程一路点下一步即可。

第二步（本周）：把你们FAB的MES数据导出功能跑通。用Python requests库写一个脚本，自动登录MES并下载数据。这一步是最难的，因为每个FAB的MES系统不一样，需要调试。有问题找你们厂的IT支持。

第三步（本月）：用Pandas清洗数据并做基础可视化。先从日报开始——每天早上来公司，运行脚本，等5分钟，自动生成昨天的良率日报。积累1个月的数据之后，开始做趋势分析。

第四步（长期）：把分析脚本做成模板。每个月、每个季度自动运行，自动发送报告到邮箱。Python的好处是一次投入，长期回报。

踩过的坑：MES数据有权限控制，有些字段需要特殊权限才能导出。解决：找IT申请API权限，或者用已有的报表数据先跑起来。数据量太大Excel跑不动。解决：用Python的chunk功能分批读取，或者直接上数据库（PostgreSQL）。图表中文显示乱码。解决：设置plt.rcParams["font.sans-serif"] = ["SimHei"]。

---

📝 觉得有帮助的话，点个收藏不迷路！

💬 评论区聊一聊：你们FAB的良率分析目前用什么工具？Excel还是Python？遇到过什么坑？

👉 关注后私信"VIP工具"，获取配套Python源码+数据文件！