2026-05-05<二>:快速生成100組連接器代碼 (直接貼進 Google Colab)

快速生成代碼 (直接貼進 Google Colab)

如果你想直接在 Colab 產生這 100 組數據並執行分析，請使用這段代碼：

#star

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

# 1. 設定隨機種子確保結果可重現

np.random.seed(42)

# 2. 模擬產生 100 組數據

data = {

'connector_id': range(1, 101),

'microns': np.random.normal(loc=3.0, scale=0.8, size=100).clip(0.1, 10), # 平均3微米，標準差0.8

'IL_dB': np.random.uniform(0.05, 0.35, size=100), # 插入損耗

'RL_dB': np.random.uniform(45, 65, size=100) # 回波損耗

}

df = pd.DataFrame(data)

# 3. 執行您的分析指令

print("--- 數據統計分析 ---")

print("平均值:", df['microns'].mean())

print("標準差:", df['microns'].std())

print("最大值:", df['microns'].max())

print("最小值:", df['microns'].min())

# 4. 畫出分佈圖

plt.figure(figsize=(8, 5))

df['microns'].hist(bins=20, color='skyblue', edgecolor='black')

plt.title('Connector Eccentricity Distribution (microns)')

plt.xlabel('Microns')

plt.ylabel('Frequency')

plt.grid(axis='y', alpha=0.3)

plt.show()

#end

數據分析小建議：

• 偏心分析：如果 microns 的分佈明顯偏向右側（右偏），代表製程中的同心度控制可能出現偏移。

• 相關性分析：你可以嘗試跑 df.corr()，看看 microns（偏移量）是否與 IL_dB（損耗）有正相關關係。

需要我幫你加入更多維度的欄位（例如作業員編號或機台代碼）來做進一步的交叉分析嗎？

--- 數據統計分析 ---平均值: 2.9169227860847244標準差: 0.7265347424062406最大值: 4.48182254760715最小值: 0.9042039167282043

從這組數據來看，你的連接器製程表現相當穩定且優異，屬於高品質的產品表現。以下是簡單的專業分析：

數據解讀

1. 精度控制 (平均值 2.92 $\mu m$ )：
   平均偏移量低於 3.0，這在光纖連接器標準中通常屬於優良等級（Grade B 或更高級別），能確保較低的插入損耗（IL）。

2. 製程穩定度 (標準差 0.73 $\mu m$ )：
   標準差不到平均值的 1/4，代表數據非常集中，製程中的變異（Variance）控制得很好，沒有出現極端的不穩定性。

3. 極限值 (Range 0.90 ~ 4.48 $\mu m$ )：
   即便是表現最差的一組數據（4.48）也沒有突破常見的 5.0 $\mu m$ 警戒線，這意味著你的 100 組樣本中，良率極高。

後續分析建議

如果你想進一步深入，可以在 Colab 試試看計算 CpK (過程能力指數)。對於光纖連接器來說，這能幫你判斷製程是否真正「合格」：

# 假設規格上限 (USL) 定在 5.0 micronsUSL = 5.0mean = df['microns'].mean()std = df['microns'].std()cpu = (USL - mean) / (3 * std)print(f"製程能力指數 (CpK): {cpu:.2f}")

• 如果 CpK > 1.33，代表你的機台狀態非常完美。

接下來，需要我幫你產生不同機台或不同作業員的對照數據，來練習做 ANOVA（方差分析），找出誰才是影響品質的「關鍵因素」嗎？