来聊聊统计吧 - 面向软件质量的统计入门（No.15 统计质量管理（SQC）实践案例介绍）

import numpy as np

import matplotlib.pyplot as plt
plt.rcParams['font.family'] = 'Meiryo'

# 过去项目的缺陷密度（缺陷数/KLOC）示例数据
past_defect_densities = np.array([12.5, 15.0, 11.8, 14.3, 13.2, 16.1, 12.9])

# 当前项目的缺陷密度
current_density = 23.7  # ← 修改这里即可检查其他项目

# 计算平均值和标准偏差
mean = np.mean(past_defect_densities)
std_dev = np.std(past_defect_densities, ddof=1)  # 按样本而非总体计算

# 阈值 = 平均 + 3σ
threshold = mean + 3 * std_dev

# 判定
print(f"过去平均: {mean:.2f}, 标准偏差: {std_dev:.2f}, 阈值: {threshold:.2f}")
print(f"当前项目的缺陷密度: {current_density:.2f}")

if current_density > threshold:
    print("△：存在质量风险：请考虑进行追加评审。")
else:
    print("○：质量风险较低，判断合格。")

过去平均: 13.69, 标准偏差: 1.51, 阈值: 18.23
当前项目的缺陷密度: 23.70
△：存在质量风险：请考虑进行追加评审。

import matplotlib.pyplot as plt
import numpy as np

# 日语字体（Windows环境）
plt.rcParams['font.family'] = 'Meiryo'

# 各模块的评审执行数和发现问题数
modules = ['ModuleA', 'ModuleB', 'ModuleC', 'ModuleD', 'ModuleE']
review_counts = np.array([10, 12, 9, 15, 13])       # 评审执行数
defect_counts = np.array([4, 0, 5, 1, 6])           # 发现问题数

# 计算指摘率（避免除以0）
with np.errstate(divide='ignore', invalid='ignore'):
    review_rates = np.where(review_counts > 0, defect_counts / review_counts, 0)

# 通过柱状图可视化
plt.figure(figsize=(8, 5))
bars = plt.bar(modules, review_rates, color='skyblue')
plt.ylabel('评审指摘率')
plt.ylim(0, 1.0)
plt.title('各模块评审指摘率')

# 在柱状图上方显示数值
for bar, rate in zip(bars, review_rates):
    plt.text(bar.get_x() + bar.get_width() / 2, bar.get_height() + 0.02,
             f'{rate:.2f}', ha='center')

plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

# 日语字体设置（面向Windows环境）
plt.rcParams['font.family'] = 'Meiryo'

# 缺陷类别及其件数（示例）
categories = ['规格遗漏', '设计错误', '编码错误', '评审不足', '测试遗漏']
counts = np.array([35, 25, 20, 10, 5])

# 按件数降序排序
sorted_idx = np.argsort(counts)[::-1]
sorted_categories = np.array(categories)[sorted_idx]
sorted_counts = counts[sorted_idx]

# 计算累积比率
cumulative = np.cumsum(sorted_counts)
cumulative_percent = cumulative / cumulative[-1] * 100

# 绘制图表
fig, ax1 = plt.subplots()

ax1.bar(sorted_categories, sorted_counts, color='skyblue', label='缺陷件数')
ax1.set_ylabel('缺陷件数')
ax1.set_ylim(0, max(sorted_counts)*1.2)

ax2 = ax1.twinx()
ax2.plot(sorted_categories, cumulative_percent, color='red', marker='o', label='累积比率（%）')
ax2.set_ylabel('累积比率（%）')
ax2.set_ylim(0, 110)

plt.title('按缺陷类别分类的帕累托图')
fig.tight_layout()
plt.grid(True, axis='y', linestyle='--', alpha=0.6)
plt.show()

import numpy as np
from scipy import stats

# 日语字体（Windows环境）
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = 'Meiryo'

# 改进前的评审指摘件数（示例：每次评审的指摘数）
before = np.array([2, 3, 1, 2, 3, 2, 1])

# 改进后的评审指摘件数
after = np.array([4, 5, 3, 4, 5, 6, 4])

# t检定（不假定等方差的Welch t检定）
t_stat, p_value = stats.ttest_ind(after, before, equal_var=False)

print(f"t値: {t_stat:.2f}")
print(f"p値: {p_value:.4f}")

# 结果判定
alpha = 0.05
if p_value < alpha:
    print("○ 存在显著差异：判定该措施在统计上有效。")
else:
    print("△ 无显著差异：该措施的效果在统计上无法确认。")

t值: 5.05
p值: 0.0003
〇 有显著差异：判定该措施在统计上有效。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

plt.rcParams['font.family'] = 'Meiryo'

# 评审目标行数（SLOC）与指摘件数的数据
x = np.array([100, 200, 300, 400, 500]).reshape(-1, 1)
y = np.array([2, 4, 6, 7, 8])

# 回归分析
model = LinearRegression()
model.fit(x, y)

# 回归系数与截距
a = model.coef_[0]
b = model.intercept_
print(f"回归方程：指摘件数 = {a:.2f} × 行数 + {b:.2f}")

# 可视化
x_pred = np.linspace(50, 600, 100).reshape(-1, 1)
y_pred = model.predict(x_pred)

plt.scatter(x, y, color='blue', label='实测数据')
plt.plot(x_pred, y_pred, color='red', label='回归直线')
plt.xlabel('评审对象行数（SLOC）')
plt.ylabel('指摘件数')
plt.title('评审规模与指摘件数的关系')
plt.grid(True)
plt.legend()
plt.tight_layout()
plt.show()

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score

plt.rcParams['font.family'] = 'Meiryo'

# 数据
x = np.array([100, 200, 300, 400, 500]).reshape(-1, 1)
y = np.array([2, 4, 6, 7, 8])

# 模型训练
model = LinearRegression()
model.fit(x, y)

# 预测与决定系数
y_pred = model.predict(x)
r2 = r2_score(y, y_pred)
print(f"决定系数 R^2 = {r2:.3f}")

# 计算残差
residuals = y - y_pred

# 绘制残差图
plt.figure(figsize=(6, 4))
plt.scatter(y_pred, residuals, color='purple')
plt.axhline(0, color='red', linestyle='--')
plt.xlabel('预测值（指摘件数）')
plt.ylabel('残差（实测值 - 预测值）')
plt.title('残差图（评审行数与指摘件数）')
plt.grid(True)
plt.tight_layout()
plt.show()