Python绘制X-bar图和R图 | 统计过程控制SPC

这篇具有很好参考价值的文章主要介绍了Python绘制X-bar图和R图 | 统计过程控制SPC。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

X-bar图和R图是用于统计过程控制(SPC)的两种常用工具,用于监测过程的平均值和范围(变异性)。这些图有助于识别过程中的变化和异常,以便及时采取纠正措施。

**X-bar图(平均值控制图)**显示了一系列样本的平均值,用于监测过程的平均值是否保持在可接受的范围内。X-bar图通常由以下几个要素组成:

  1. 样本平均值:每个样本的数据点的平均值,通常用于每个样本的数据集。

  2. 中心线:通常是所有样本平均值的平均值,表示过程的目标值。

  3. 控制限:通常包括上限控制限和下限控制限,用于指示过程平均值的可接受范围。控制限的计算方法可以根据需求不同而有所不同,常用的方法包括使用标准偏差和样本大小。

  4. 数据点:每个样本的平均值在X-bar图上以数据点的形式表示,通常用线连接这些数据点以显示趋势。

**R图(范围控制图)**显示了一系列样本的范围(最大值和最小值之间的差异),用于监测过程的变异性。R图通常由以下几个要素组成:

  1. 范围(R):每个样本的最大值和最小值之间的差异。

  2. 中心线:通常是所有R值的平均值,表示过程的变异性目标。

  3. 控制限:通常包括上限控制限,用于指示R值的可接受范围。控制限的计算方法可以根据需求不同而有所不同,常用的方法包括使用标准偏差和样本大小。

  4. 数据点:每个样本的R值在R图上以数据点的形式表示,通常用线连接这些数据点以显示趋势。

在绘制X-bar图和R图之前,需要进行以下步骤:

  1. 收集样本数据并确定样本大小和采样频率。

  2. 计算每个样本的平均值(X-bar图)和范围(R图)。

  3. 计算X-bar图和R图的中心线和控制限。

  4. 绘制X-bar图和R图,并将样本数据点与中心线和控制限一起显示。

要生成表格数据并写入文件,然后读取数据并计算X-bar图和R图所需的平均值、标准差等,您可以按照以下步骤进行操作。首先,确保您已经安装了NumPy、matplotlib和Pandas库。

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

plt.rcParams['font.sans-serif'] = ['SimHei']  # 防止中文标签乱码
plt.rcParams['axes.unicode_minus'] = False

# 生成随机数据,例如,生成5个样本,每个样本5个数据点
data = np.random.rand(5, 5)

# 创建一个Pandas DataFrame
df = pd.DataFrame(data, columns=['Sample 1', 'Sample 2', 'Sample 3', 'Sample 4', 'Sample 5'])

# 将数据写入CSV文件
df.to_csv('sample_data.csv', index=False)

# 从CSV文件读取数据
df = pd.read_csv('sample_data.csv')

# 打印数据框的前几行以确保数据已成功加载
print(df.head())

# 计算每个样本的平均值
x_bar = df.mean(axis=1)

# 计算每个样本的范围(R)
R = df.max(axis=1) - df.min(axis=1)

# 计算平均值和R的平均值
x_bar_avg = x_bar.mean()
R_avg = R.mean()

# 计算X-bar图的控制限(通常为平均值的上下控制限)
x_bar_upper_limit = x_bar_avg + 0.577 * R_avg
x_bar_lower_limit = x_bar_avg - 0.577 * R_avg

# 计算R图的控制限(通常为R的上限)
R_upper_limit = R_avg * 2.114

# 打印计算结果
print(f'X-bar平均值: {x_bar_avg}')
print(f'R平均值: {R_avg}')
print(f'X-bar控制限: ({x_bar_lower_limit}, {x_bar_upper_limit})')
print(f'R控制限: {R_upper_limit}')

# 绘制X-bar图和R图(二行一列)
fig, axes = plt.subplots(2, 1, figsize=(6, 6))  # 创建2行1列的子图
#plt.subplots_adjust(hspace=1)  # 调整垂直间距

# 绘制X-bar图
axes[0].plot(x_bar, marker='o', linestyle='-')
axes[0].axhline(y=x_bar_avg, color='r', linestyle='--', label='平均值')
axes[0].axhline(y=x_bar_upper_limit, color='g', linestyle='--', label='控制限')
axes[0].axhline(y=x_bar_lower_limit, color='g', linestyle='--')
axes[0].set_title('X-bar图')
axes[0].set_xlabel('样本编号')
axes[0].set_ylabel('平均值')
axes[0].legend()
axes[0].grid()

# 绘制R图
axes[1].plot(R, marker='o', linestyle='-')
axes[1].axhline(y=R_avg, color='r', linestyle='--', label='平均值')
axes[1].axhline(y=R_upper_limit, color='g', linestyle='--', label='控制限')
axes[1].set_title('R图')
axes[1].set_xlabel('样本编号')
axes[1].set_ylabel('范围 (R)')
axes[1].legend()
axes[1].grid()

plt.tight_layout()  # 调整子图之间的间距
plt.show()

#    Sample 1  Sample 2  Sample 3  Sample 4  Sample 5
# 0  0.333763  0.887816  0.047209  0.282097  0.285214
# 1  0.215519  0.150961  0.528661  0.025044  0.737905
# 2  0.464588  0.940235  0.709169  0.169721  0.247870
# 3  0.146446  0.792779  0.222903  0.870784  0.340836
# 4  0.743698  0.344687  0.299164  0.517687  0.120320
# X-bar平均值: 0.417002982417057
# R平均值: 0.7343395449701438
# X-bar控制限: (-0.006710935030715903, 0.84071689986483)
# R控制限: 1.5523937980668838

 Python绘制X-bar图和R图 | 统计过程控制SPC,python,开发语言

--------------------------------------

Python绘制X-bar图和R图 | 统计过程控制SPC,python,开发语言

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']  # 防止中文标签乱码,还有通过导入字体文件的方法
plt.rcParams['axes.unicode_minus'] = False

# 假设您已经有了样本数据,存储在x_bar_values和R_values中

# 计算中心线和控制限
x_bar_centerline = np.mean(x_bar_values)
R_centerline = np.mean(R_values)
R_bar = np.mean(R_values)

# 计算控制限(通常使用常见的控制图常数,如A2,D3,D4)
A2 = 0.729
D3 = 0
D4 = 2.282
x_bar_UCL = x_bar_centerline + A2 * R_bar
x_bar_LCL = x_bar_centerline - A2 * R_bar
R_UCL = D4 * R_bar
R_LCL = D3 * R_bar

# 绘制X-bar图
plt.figure(figsize=(12, 6))
plt.subplot(2, 1, 1)
plt.plot(x_bar_values, marker='o', linestyle='-')
plt.axhline(y=x_bar_centerline, color='r', linestyle='--', label='中心线')
plt.axhline(y=x_bar_UCL, color='g', linestyle='--', label='上限控制限')
plt.axhline(y=x_bar_LCL, color='g', linestyle='--', label='下限控制限')
plt.title('X-bar图')
plt.xlabel('样本编号')
plt.ylabel('平均值')
plt.legend()
plt.grid()

# 绘制R图
plt.subplot(2, 1, 2)
plt.plot(R_values, marker='o', linestyle='-')
plt.axhline(y=R_centerline, color='r', linestyle='--', label='中心线')
plt.axhline(y=R_UCL, color='g', linestyle='--', label='上限控制限')
plt.title('R图')
plt.xlabel('样本编号')
plt.ylabel('范围 (R)')
plt.legend()
plt.grid()

plt.tight_layout()
plt.show()

这段代码将生成X-bar图和R图,帮助您监控过程的平均值和范围,以便识别任何过程中的异常或变化。请根据您的数据和需求进行适当的修改。在实际应用中,您可能需要根据标准和过程的特性来调整控制限和常数。文章来源地址https://www.toymoban.com/news/detail-731880.html

到了这里,关于Python绘制X-bar图和R图 | 统计过程控制SPC的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【Python】Python中使用Matplotlib绘制折线图、散点图、饼形图、柱形图和箱线图

    python数据可视化课程,实验二 Matplotlib 中文API:API 概览 | Matplotlib 一、实验任务的数据背景 提供的源数据(数据文件employee.csv)共拥有4个特征,分别为就业人员、第一产业就业人员、第二产业就业人员、第三产业就业人员。根据3个产业就业人员的数量绘制散点图和折线图。

    2023年04月15日
    浏览(96)
  • python读取excel数据并用双y轴绘制柱状图和折线图,柱子用渐变颜色填充

    往期python绘图合集: python绘制简单的折线图 python读取excel中数据并绘制多子图多组图在一张画布上 python绘制带误差棒的柱状图 python绘制多子图并单独显示 python读取excel数据并绘制多y轴图像 python绘制柱状图并美化|不同颜色填充柱子 python随机生成数据并用双y轴绘制两条带误差

    2024年02月10日
    浏览(47)
  • 【Python数据可视化】matplotlib之绘制常用图形:折线图、柱状图(条形图)、饼图和直方图

    文章传送门 Python 数据可视化 matplotlib之绘制常用图形:折线图、柱状图(条形图)、饼图和直方图 matplotlib之设置坐标:添加坐标轴名字、设置坐标范围、设置主次刻度、坐标轴文字旋转并标出坐标值 matplotlib之增加图形内容:设置图例、设置中文标题、设置网格效果 matplo

    2024年01月16日
    浏览(58)
  • 【bar堆叠图形绘制】

    在数据可视化中,条形图是一种常用的图表类型,用于比较不同类别的数据值。Python的matplotlib库为我们提供了方便易用的功能来绘制条形图。 首先,我们展示如何绘制基本的条形图。假设我们有一个包含十个类别的数据集,其中每个类别都有两个相关的数据值。我们使用

    2024年02月15日
    浏览(33)
  • Python数据可视化(三)绘制统计图形大全

    以 Python 代码的形式讲解柱状图的绘制原理,这里重点讲解 bar()函数的使用方法。 代码: 运行结果: 为了展示图表里的中文字体,我们选择字体“SimHei”, 通 过 “mpl.rcParams[\\\"font.sans-serif\\\"] =[\\\"SimHei\\\"]”完成字体配置任务。不使用默认的“Unicode minus”模式来处理坐标轴轴线的刻

    2024年02月02日
    浏览(48)
  • 插值法绘制山区地貌图和等高线

    在某山区测得一些地点的高程如下表。平面区域为: 1200=x=4000,1200=y=3600 试作出该山区的地貌图和等高线图,并对对最近邻点插值、双线性插值方法和双三次插值方法等几种方法的插值效果进行比较。表格如下 利用表中所给出的离散数据画出图像,利用邻点插值、双线性插值

    2024年02月11日
    浏览(69)
  • Vue系列第八篇:echarts绘制柱状图和折线图

    本篇将使用echarts框架进行柱状图和折线图绘制。 目录 1.绘制效果 2.安装echarts  3.前端代码 4.后端代码   // 安装echarts版本4 npm i -D echarts@4 src/api/api.js src/components/common/dataanalyse/DataView.vue server.go controller/dataview.go

    2024年02月14日
    浏览(54)
  • 绘制 PCA 双标图、碎石图、变量载荷图和变量贡献图

    1、双标图 带图例的 标出95%的置信区间 2、碎石图 带抖动的散点图集合 3、变量载荷图 4、变量贡献图 注意: 其实变量贡献图就是双标图中特征向量在不同主成分上的投影,也就是特征向量 。我们在绘制变量贡献图的时候,其实对特征向量进行平方就可以了(保证为正)。但

    2024年02月12日
    浏览(34)
  • 【CV】使用 matplotlib 画统计图,并用 OpenCV 显示静图和动图

    静图 动图 准备数据 使用 pyplot 画统计图 图片写入流,流转图(numpy) matplotlib 颜色 RGB 转 OpenCV 颜色 BRG 代码过程有注释,很简单的实现。注意 matplotlib RGB 转 OpenCV BGR image = image[:, :, ::-1] ,否则颜色不一致。 思路,更新数据时,重新绘制统计图。 x 轴不变,数据集 values 保持

    2024年01月17日
    浏览(36)
  • python实现梯度下降算法,并绘制等高线和3d图显示下降过程

    引言:         梯度下降算法是一种常用的优化算法,用于最小化目标函数。它在机器学习和深度学习中经常被用来更新模型的参数。在本文中,我们将使用Python实现梯度下降算法,并通过绘制等高线图和3D图表,直观地展示下降过程。 导入必要的库: 在开始之前,我们

    2024年04月17日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包