从透视表到质量看板：先把指标口径写清楚

图表之前，先写一句完整定义

“本月不良率”至少要说明统计对象、日期字段、分子、分母、单位以及排除条件。例如：按首次检验完成日期统计，分子为不合格样本件数，分母为已完成首次检验的样本件数。

不合格件数与缺陷数量不是一回事，一件产品可能存在多个缺陷。统计缺陷次数时不能不加说明地称作不良品率。来料批次拒收率、样本不良比例也不能混为一个指标。

为什么两个百分比不能直接取平均

以下为模拟数据。A 批检验 100 件，其中 5 件不合格；B 批检验 900 件，其中 9 件不合格。两批合计检验 1000 件，不合格 14 件，合计比例为 1.4%。直接平均 5% 和 1% 得到 3%，把不同规模的批次当成了相同权重。

overall_rate = sum(rejected_units) / sum(inspected_units)
# 分母为 0 时显示“无有效样本”，不要显示为 0%

先清洗，再聚合

检验单与缺陷明细是一对多关系。若直接关联后求和，检验数量可能随缺陷行数重复累加。应先确定指标需要的粒度，再在正确粒度聚合，必要时先聚合缺陷明细再关联。

同一批次的首次检验与复检应有标识。若展示首次质量水平，就不能用最终复检通过结果覆盖首次记录。日期应明确采用到货、检验完成还是入库时间，并统一时区与边界。

选择能回答问题的图

趋势折线适合观察时间变化，同时展示样本量能帮助读者判断小样本波动。分类条形图适合比较缺陷类别，但应清楚区分计数与比例。看板的每个指标最好能进入对应明细，并保留当前筛选条件。

• 概览卡：显示指标值、单位、期间及样本量。
• 趋势图：同口径比较，不把缺失日期自动当成零。
• 分类图：明确排序、未知类别与其他类别的处理。
• 明细入口：能核对参与计算的原始记录。

用小数据集验算一次

随文脚本使用 Python 标准库读取两批 CSV，检查样本量和不合格件数是否合理，并计算总体比例。先用这个可以手算的数据集验证，再换成真实数据。

遇到汇总与明细不一致，依次检查关联重复、日期边界、筛选条件、复检处理和单位换算。比起先调整图表样式，找出参与计算的记录集合更有效。

python quality_metrics.py
# 预期：inspected=1000 rejected=14 rate=1.40%

示例下载

• 下载指标计算脚本
• 下载两批模拟数据