1. 课程导入与场景锚定

食品质量检测实验室每天都在产生大量结构化数据：样品编号、检测项目、仪器读数、检出限、判定标准、结论。这些数据如果只停留在Excel表格或LIMS系统的原始记录里，检测人员和管理者很难在第一时间看出批次间的波动、项目间的关联或超标风险的聚集趋势。数据可视化要解决的核心问题，不是把表格画成图，而是把"检测结果"转化为"可判读的质量信号"，让异常在图形上先于文字被发现。

以蔬菜农残检测为例，一个批次可能包含几十个样品、每个样品检测十余种农药残留，结果以mg/kg记录，判定依据是GB 2763中的最大残留限量（MRL）。若只看表格，需要逐行比对数值与限量；若把每个样品的检出值除以对应MRL得到"限量比"，再用热力图按样品×农药种类铺开，超标项会以高饱和色块直接暴露，同一农药在多批次中的系统性偏高也能一眼识别。这就是可视化在检测业务中的真实价值：压缩判读时间、暴露数据关系、支撑结论表达。

食品检测的典型可视化场景可以按检测对象分为四类，每类的数据形态和图形选择差异明显：

• 农残检测：多项目、多样品、有明确限量值。适合限量比热力图、超标项条形图、按农药种类的检出率堆叠图。
• 重金属检测：铅、镉、砷、汞等元素，常按样品类别（大米、水产、蔬菜）分组，数值跨度大。适合对数坐标的箱线图、按类别分组的散点图、与限量线的对比图。
• 微生物检测：菌落总数、大肠菌群等，结果常为CFU/g，且存在"未检出"和"多不可计"等特殊值。适合对数刻度趋势图、按时间序列的批次控制图、检出/未检出的分类统计图。
• 添加剂检测：苯甲酸、山梨酸、甜味剂等，关注是否超范围、超限量使用。适合与GB 2760限量对照的哑铃图、按食品类别的合规率图。

下面这张图把本节的核心结构串起来：左侧是四类检测业务及其数据特征，中间是可视化要完成的三步转化，右侧是支撑实现的工具层次。它表达的是"业务对象—数据加工—图形表达—工具落地"的对应关系，而不是操作步骤。

从工具全景看，本课程的学习路径按"数据—图形—交互—交付"四层推进。第一层解决数据从哪里来、字段如何对齐：检测报告或LIMS导出的数据往往存在单位不统一（mg/kg与μg/kg混用）、未检出记为"ND"或"<0.01"、限量值需要按样品类别匹配标准等问题，必须先用pandas完成清洗和限量关联，形成"一行一条检测记录"的规整表。第二层解决图形选择：同一份数据，用条形图看单项对比，用热力图看矩阵关系，用箱线图看分布与离群，用控制图看批次稳定性，选错图形会让结论失真。第三层是交互，让使用者能按批次、按类别、按检测项目筛选下钻。第四层是交付，把图形嵌入检测报告或质量看板，形成可复用的表达。

为了让"数据—图形"的对应关系可操作，下面给出一个最小可运行的数据准备示例。假设从某批次蔬菜检测记录中导出如下片段（示例数据，非实测）：

sample_id,item,value,unit,mrl,category
V-001,毒死蜱,0.02,mg/kg,0.05,叶菜类
V-001,克百威,0.08,mg/kg,0.02,叶菜类
V-002,毒死蜱,ND,mg/kg,0.05,叶菜类
V-002,克百威,0.01,mg/kg,0.02,叶菜类

关键处理是把"ND"转为0或保留为缺失并单独标注，再计算限量比：

import pandas as pd
df = pd.read_csv("veg_pesticide.csv")
df["value"] = pd.to_numeric(df["value"], errors="coerce").fillna(0)
df["ratio"] = df["value"] / df["mrl"]
df["over"] = df["ratio"] > 1
print(df.pivot_table(index="sample_id", columns="item", values="ratio"))

得到的ratio矩阵即可直接喂给热力图：V-001的克百威ratio为4.0，明显超过1，在图上应呈现为高亮色块；V-002的毒死蜱为未检出，ratio为0。判读时以ratio=1为限量线，颜色分级建议设为≤0.5、0.5~1、>1三档，与"合格/临界/超标"的结论一一对应。这个例子说明：可视化的前提是把判定逻辑写进数据，图形只是把已经算好的判读结果呈现出来。