1. 课程导入与场景锚定
在食品生产线上，一批次产品的净含量、酸度、菌落总数或包装密封强度，往往不会因为“合格”二字就自动稳定。质量控制的真正难点不在于抽检一次是否达标，而在于判断过程是否持续受控、波动是否属于正常随机误差、异常是偶发还是已经形成趋势。控制图（Control Chart）正是把这种判断从经验直觉变成可复核证据的工具：它用中心线（CL）、上控制限（UCL）和下控制限（LCL）划出过程“正常波动”的边界，再按时间顺序描点，让越界、连续偏移、趋势等信号显性化。
对食品行业而言，控制图的价值有三层。第一层是合规与追溯：净含量、微生物、理化指标等关键控制点需要留痕，控制图天然带有时间序列和判异记录。第二层是过程改进：仅看批合格率会掩盖波动，控制图能区分“普通原因”和“特殊原因”，避免对随机波动过度调整。第三层是成本：越早发现灌装量漂移、杀菌温度异常或封口不良，越能减少整批报废与召回风险。因此本课程不把控制图当作统计课习题，而是当作一条从数据到判异、从判异到行动的工程链路。
常见控制图类型与选用逻辑
控制图按数据类型分为计量型和计数型两大类。计量型数据是连续测量值，如净含量（g）、pH值、杀菌温度（℃），常用Xbar-R图（子组样本量较小，通常2～9）和Xbar-S图（子组样本量较大，通常≥10，用标准差替代极差）。计数型数据是合格/不合格或缺陷个数，常用p图（不合格品率，子组样本量可变）、np图（不合格品数，样本量固定）、c图（单位产品缺陷数，样本量固定）、u图（单位产品缺陷率，样本量可变）。
选图的关键不是背名称，而是先问三个问题：指标是“测量出来的”还是“数出来的”？每次抽样的子组大小是否固定？关注的是“不合格品”还是“缺陷点”？例如某乳品厂每30分钟抽5盒测净含量，属于计量型、子组n=5，应选Xbar-R；若每批抽200袋统计胀袋数，属于计数型、样本量固定，应选np图；若不同批次抽检量不同，则用p图或u图。选错图型会让控制限失去统计意义，这是初学者最常见的错误。
Python自动生成的整体流程
把控制图做成可重复的自动化产物，核心是把“统计计算”和“绘图呈现”拆开。一个稳健的流程通常包含六步：读取数据、清洗与子组划分、计算子组统计量、计算控制限与判异、绘图、输出留档。以Xbar-R图为例，假设某饮料厂每30分钟抽5瓶测净含量（单位mL，目标500mL），数据表包含“时间、子组号、5个测量值”字段。读取后先按时间排序，确保描点顺序与生产顺序一致；再按子组号聚合，得到每个子组的均值x̄和极差R。
控制限的计算不是拍脑袋定±3mL，而是由过程自身波动估计。Xbar图的控制限为：CL=x̄̄（各子组均值的均值），UCL=x̄̄+A₂·R̄，LCL=x̄̄−A₂·R̄；R图的控制限为：CL=R̄，UCL=D₄·R̄，LCL=D₃·R̄。其中A₂、D₃、D₄是按子组大小n查表的常数，n=5时A₂≈0.577、D₃≈0、D₄≈2.114。这里必须强调：常数来自统计表，不能随意替换；若子组n=5却套用n=10的常数，控制限会明显失真。
import pandas as pd
import matplotlib.pyplot as plt
# 示例数据：每子组5个净含量测量值（mL），仅用于演示
df = pd.read_csv("net_content.csv") # 字段：time, subgroup, v1..v5
vals = df[["v1","v2","v3","v4","v5"]]
df["xbar"] = vals.mean(axis=1)
df["R"] = vals.max(axis=1) - vals.min(axis=1)
xbar_bar = df["xbar"].mean()
R_bar = df["R"].mean()
A2, D3, D4 = 0.577, 0.0, 2.114 # n=5 对应常数
ucl_x, lcl_x = xbar_bar + A2*R_bar, xbar_bar - A2*R_bar
ucl_r, lcl_r = D4*R_bar, D3*R_bar
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(9, 6), sharex=True)
ax1.plot(df["subgroup"], df["xbar"], marker="o", color="#2b7a66")
ax1.axhline(xbar_bar, color="#333", ls="--")
ax1.axhline(ucl_x, color="#c0392b", ls=":")
ax1.axhline(lcl_x, color="#c0392b", ls=":")
ax1.set_ylabel("子组均值 x̄ (mL)")
ax2.plot(df["subgroup"], df["R"], marker="s", color="#a35a1c")
ax2.axhline(R_bar, color="#333", ls="--")
ax2.axhline(ucl_r, color="#c0392b", ls=":")
ax2.set_ylabel("极差 R (mL)")
ax2.set_xlabel("子组号")
plt.tight_layout()
plt.savefig("xbar_r_chart.png", dpi=150)
运行后应重点观察三件事：第一，是否有子组均值或极差越过红色控制限；第二，是否出现连续7点位于中心线同一侧、连续上升或下降等非随机模式；第三，R图是否先于Xbar图报警——极差变大往往意味着设备或操作出现波动，是均值漂移的前兆。若发现越界点，不能直接删除数据，而应回查该时段原料批次、灌装头、杀菌记录，确认是特殊原因后再决定是否剔除并重算控制限。这正是控制图“判异—追溯—处置”的闭环价值。
本课程后续将围绕这条链路逐层展开：如何用pandas组织食品质量数据、如何按图型选择正确的统计量与常数、如何用matplotlib把控制限和异常点画清楚、如何把判异规则写成可复用函数，以及如何把单张图扩展为按产品、按产线批量生成的报告。掌握这条链路后，控制图就不再是事后补做的图表，而是嵌入日常质量管理的自动预警工具。