analysis-toolkit

检验检测行业质量控制和数据分析工具箱。覆盖室内质控、室间比对、批次间比对、方法验证、趋势监控五大场景。方法通用，跨领域适用。

analysis-toolkit：分析质控工具包

触发词：精密度、室内质控、室间比对、方法验证、标准曲线、趋势监控、Prophet 预测、PCA分析 适用场景：室内质控 | 室间比对 | 方法验证 | 趋势监控 | PCA分析 | 报告生成

场景驱动的检验检测分析工具箱 — 不是给你一堆函数，而是给你一套完整的分析工作流。

触发条件

正向触发：

• [帮我做室内质控分析 / 算一下精密度 / 画个质控图]
• [做几个实验室比对 / 算ANOVA和Z值 / 画YYouden 图]
• [做方法验证 / 算检出限定量限 / 拟合标准曲线]
• [做趋势监控 / 预测未来数据 / 跑Prophet 预测]
• [帮我生成质控报告 / 数据分析报告]
• [做PCA主成分分析 / 一致性评价]
• [做批次间比对 / 重复限性检查]
• [F值查表 / 回归分析 / 分组统计分析]

核心能力

→ 详见 渐进式文件索引表

#	功能	说明
1	四层算子架构	细粒度算子层 + 组合层(Pipeline) + 模板场景 + 自扩展
2	注册表驱动	算子注册表 + 自动缺口检测 + 公式级自测试
3	模板 = 场景 + HTML 报告包	场景模板(分析) × 报告模板(可视化) 独立编排
4	置信验证体系	场景交叉验证 + 通用逼近验证 + 算子自测试

📚 渐进式加载：本技能采用渐进式 MD 体系，SKILL.md 为入口（≤230行），详细内容拆分到 references/*.md 按需加载。

渐进式文件索引

文件名	分类	包含内容	审计关联
scripts/operations/	细粒度算子层	原子级统计/不确定度/总误差/回归算子（自动注册 + 缺口发现）	无
scripts/pipeline/	流水线引擎	Pipeline/Step 编排 + 模板注册表	无
scripts/standards/	标准管理	标准注册表 + 搜索链 + 自动注册	无
references/antipatterns.md	规范指南	常见错误做法与正确做法	R-18
references/data-interface.md	数据接口规范	输入输出格式、字段约定、必填参数标注	R-11
references/anova-analysis.md	ANOVA方差分析	F临界值查表、单因素ANOVA实现	无
references/changelog.md	版本管理	更新日志	R-24
references/faq.md	常见问题	数据格式、错误处理等常见问答	R-19
references/group-analysis.md	分组统计分析	分组聚合、阳性率分析、结论生成	无
references/LICENSE.md	许可协议	MIT 许可证	R-26
references/pca-analysis.md	PCA主成分分析	PCA算法实现、碎石图、散点图	无
references/permissions.md	权限说明	操作类型与风险等级	R-15, R-16
references/pipeline.md	流水线参考	Pipeline 架构、四种用法、模板=场景+报告	无
references/quickstart.md	快速开始	导入、完整示例代码	C-17
references/regression-validation.md	回归分析与方法验证	线性/多项式回归、LOD/LOQ、不确定度	无
references/report-generation.md	报告生成	Word 报告生成模板与配置	无
references/standards-interface.md	标准接口	标准注册/搜索、模板管理	无
references/time-series.md	时序分析与预测	趋势聚合、滚动统计、Prophet 预测	无

工作流程

1. 理解用户需求 → 识别分析场景和目标参数（输入：用户原始需求；输出：分析计划）
2. 规划执行步骤 → 选择算子/Pipeline 模板，确定数据要求和预期输出（输入：分析计划；输出：执行方案）
3. 调用相关工具/脚本 → 执行数据分析/质控计算/报告生成（输入：执行方案；输出：数值结果+HTML报告）
4. 返回结果给用户 → 呈现分析结论和可视化报告（输入：数值结果+HTML报告；输出：用户可读的最终输出）

能力边界

支持范围

• 本技能专注于检验检测行业的质量控制和数据分析
• 单次调用可处理任意数量的测量数据点（基于 numpy/pandas 向量化计算）

适用范围说明

• 通用分析引擎：本技能专注统计分析与质控算法，方法和公式跨行业适用。
• 非专有场景：不包含农产品/食品检测的专用判定标准，但通用算法可直接处理其数据。
• 最小数据量要求：精密度分析每水平≥2行，质控图建议≥10个点，Prophet 预测需要≥3个聚合后的时间点。数据不足时函数会抛出 ValueError 或返回 result["warnings"] 提示。严重问题（如列名错误、斜率为0）抛出明确异常；轻度问题（如含空值、数据偏少）写入 result["warnings"] 并同步输出到控制台，避免静默返回错误结果。
• 最小数据量要求：精密度分析每水平≥2行，质控图建议≥10个点，Prophet 预测需要≥3个聚合后的时间点。数据不足时函数会抛出 ValueError 或返回 result["warnings"] 提示。严重问题（如列名错误、斜率为0）抛出明确异常；轻度问题（如含空值、数据偏少）写入 result["warnings"] 并同步输出到控制台，避免静默返回错误结果。

运行环境

• 离线可用，无需网络连接
• 基于 Python 3.8+，依赖 numpy/pandas/matplotlib
• 输入格式：pandas DataFrame
• 输出格式：数值结果 + HTML 可视化报告
• 内置算子数量持续增长中，可通过测试验证确保正确性
• 计算精度受限于 IEEE 754 双精度浮点数标准

核心场景

1️⃣ 室内质控（Internal QC）

同一实验室内部，评估方法精密度和稳定性。

功能	说明
多水平精密度分析	每水平SD/RSD/均值/中位数，合成标准差（正规算法 + 简单算法）
重复限性检查	平行样极差检查、相对误差、允许值分级判定
质控图	Levey-Jennings 控制图，±1σ/±2σ/±3σ限，失控点标注

→ 详见 渐进式文件索引表

2️⃣ 室间比对（Inter-lab QC）

多家实验室/操作人员/仪器之间的结果比对。

功能	说明
ANOVA方差分析	SST/SSB/SSW分解，F值计算
F临界值查表判定	α=0.05，支持 df₁=124, df₂=120
Z值分析	基于ISO 13528的Z值计算与判定（满意/可疑/不满意）
YYouden 图	双实验室比对可视化

→ 详见 渐进式文件索引表

3️⃣ 批次间比对（Inter-batch QC）

不同批次的检测结果一致性检验。

功能	说明
批次ANOVA	同室间比对的ANOVA流程，应用于批次维度
重复限性	批次内重复性检查
允许值判定	根据数量级自动查找允许偏差

→ 详见 渐进式文件索引表

4️⃣ 方法验证（Method Validation）

标准曲线、检出限、定量限、回收率、不确定度。

功能	说明
标准曲线拟合	线性/多项式，支持强制过零点
检出限/定量限	支持GB/T 27417和ICH两种标准，sigma 来源支持 curve/仪器/空白/噪声
加标回收率	多水平回收率计算
曲线不确定度	EURACHEM/CITAC标准曲线分量 u_rel(curve)
一致性评价	PCA相关系数法

→ 详见 渐进式文件索引表

5️⃣ 趋势监控（Trend Monitoring）

长期数据跟踪与风险预警。

功能	说明
时序聚合分析	按日/周/月聚合，趋势图绘制
滚动统计	滚动均值、标准差、±2σ警戒线
Prophet 预测	多品类/整体预测，95%置信区间

→ 详见 渐进式文件索引表

快速使用

导入

python

from scripts.operations import calc_mean, calc_sd, calc_rsd, calc_bias
from scripts.scenarios.internal_qc import internal_precision_analysis

示例

python

# 完整室内精密度分析
import scripts.scenarios.internal_qc as iqc
result = iqc.internal_precision_analysis(df, "水平", "结果")
fig, stats = iqc.control_chart(df, "结果")

流水线（Pipeline）

四种用法：

• 单独用 — 单步调用算子
• 组合用 — pipeline() + step() 临时拼装
• 场景模板 — 加载内置模板跑完整场景+HTML报告
• 自扩展 — 查标准->自动补全算子->注册模板

python

from scripts.pipeline.registry import load_template
from scripts.reporting.report_engine import render_from_template

pipe = load_template("总误差评估")
results = pipe.run(data)
html = render_from_template("总误差评估", results)

数据格式

统一接受 pandas.DataFrame。 关键列名参数：value_col(数值列), group_col(分组列), date_col(时间列)