良率损失分解工具｜良率与缺陷分析·良率损失树逐级拆解（附源码）
（复制到编辑器，段落间距保持一致）
良率损失分解不该每次手做
缺陷图只有一堆数字，看不出聚集规律，改善资源不知道往哪压。 「良率损失分解」这件事本身就是重复劳动：换一批数据就要重做一遍，做十次就错十次，而且没人愿意做。
把 良率损失分解 从"看数字"变成"看分布"
良率损失按Bin/Wafer/Lot多维度分解。良率损失树逐级拆解——把这段流程固化成一个桌面工具，数据进去、结论出来、图表直接能贴进报告。
工具结构
- 数据入口：导入 WaferMap / 缺陷 CSV 或使用内置演示数据，选中批次后一键分析；
- 晶圆级缺陷热力图，8 / 12 英寸通用；
- Bin 级缺陷分类与数量统计；
- 空间聚集性指标量化（边缘 / 中心 / 径向）；
- 多批次对比，定位批次间漂移；
- 导出图表与统计表，用于改善立项；
核心能力
- 晶圆级缺陷热力图，8 / 12 英寸通用。
- Bin 级缺陷分类与数量统计。
- 空间聚集性指标量化（边缘 / 中心 / 径向）。
- 多批次对比，定位批次间漂移。
- 导出图表与统计表，用于改善立项。
怎么用
- 安装依赖：
pip install numpy matplotlib pandas tkinter； - 运行工具：双击或命令行执行主程序；
- 导入 WaferMap / 缺陷 CSV 或使用内置演示数据，选中批次后一键分析；
- 查看分析结果，按需导出。
输出什么
- 缺陷热力图：按空间位置与密度着色。
- Bin 统计：各类缺陷数量与占比。
- 聚集性指标：主位置与集中度。
判读要点（这部分比工具本身更值钱）
- 边缘环状聚集先查传输与清洗，中心聚集先查工艺腔体与气流。
- 缺陷密度比缺陷总数更有用：同样的数量，摊开和堆在一个地方不是一回事。
- 跨批次对比才见真问题：单批数据容易把随机波动当规律。
- 占比最高的不一定是根因：可能是最容易被检出的那一类。
使用边界
本工具基于仿真数据开发，用于分析与教学场景；真实数据请先核对 Bin 定义与坐标系原点，商用授权请联系作者。
下载入口
解压后先跑内置演示数据确认环境正常，再导入真实数据。遇到字段口径不一致时，优先改源码里的字段映射表，不要在 Excel 里硬凑。
