质量与可靠性 / 系统课时
用 Python 准备寿命数据分析环境
用 Python 准备寿命数据分析环境
这篇把寿命分析的准备工作做成一套可复现的操作:使用 Python 3.12 建立虚拟环境,安装常用分析库,保存八台设备的 CSV 样本,再校验运行时间、失效状态与批次统计。完成后可直接运行同一份脚本检查新数据是否适合后续寿命建模。
学习目标
- 建立独立的 Python 环境并核对寿命分析依赖。
- 识别失效事件与右删失记录,准备符合字段约定的 CSV。
- 用 pandas 校验类型和数值范围,输出可核对的统计结果。
创建虚拟环境并安装依赖
建议使用 Python 3.12,并在空项目目录操作。先用 python3 --version(Windows 使用 py -3.12 --version)确认解释器版本。示例固定库版本,便于复现:pandas 用于表格处理,NumPy 和 SciPy 用于数值计算,Matplotlib 用于后续绘图,lifelines 用于寿命与生存分析。
macOS / Linux 终端执行:
python3 -m venv .venv
.venv/bin/python -m pip install --quiet --disable-pip-version-check pandas==2.2.3 numpy==1.26.4 scipy==1.14.1 matplotlib==3.9.2 lifelines==0.30.0
.venv/bin/python -m pip check预期输出(安装成功且依赖无冲突):
No broken requirements found.Windows PowerShell 使用对应的虚拟环境解释器,无须修改脚本执行策略:
py -3.12 -m venv .venv
.\.venv\Scripts\python.exe -m pip install --quiet --disable-pip-version-check pandas==2.2.3 numpy==1.26.4 scipy==1.14.1 matplotlib==3.9.2 lifelines==0.30.0
.\.venv\Scripts\python.exe -m pip check预期输出同样是:
No broken requirements found.以上安装只影响项目内的 .venv。不要把 .venv 提交到代码仓库;共享项目时可以用虚拟环境的 python -m pip freeze 导出实际安装版本。
保存设备寿命样本
在项目目录新建 UTF-8 编码的 life.csv,内容如下。每一行是一台设备的首次观察记录,所有运行时间统一使用小时;同一设备编号在此样本中只出现一次。
device_id,hours,event_observed,batch
P001,120,1,A
P002,250,0,A
P003,180,1,A
P004,300,0,B
P005,90,1,B
P006,210,0,B
P007,160,1,B
P008,240,1,Adevice_id 是设备编号,hours 是从约定起点到失效或观察终止的累计运行小时数,batch 是生产批次。event_observed=1 表示在记录时间发生了定义好的失效;0 表示截至该时刻尚未观察到失效,即右删失,不能当作寿命恰好等于该时间的故障。实际项目须事先统一失效判据、计时起点与单位。
读取数据并核对统计
把下面的完整程序保存为与 life.csv 同目录的 check_data.py,随后执行 .venv/bin/python check_data.py;Windows 执行 .\.venv\Scripts\python.exe check_data.py。程序先阻止缺列、空值、重复编号及非法事件编码进入分析,再做一个小型 Kaplan–Meier 校验,确认 lifelines 可以正确使用删失字段。
from pathlib import Path
import pandas as pd
from lifelines import KaplanMeierFitter
def main():
path = Path(__file__).with_name("life.csv")
df = pd.read_csv(path, dtype={"device_id": "string", "batch": "string"})
required = ["device_id", "hours", "event_observed", "batch"]
missing = sorted(set(required) - set(df.columns))
if missing:
raise ValueError(f"缺少字段: {missing}")
if df[required].isna().any().any():
raise ValueError("必需字段存在空值")
# 统一数值类型,禁止负运行时间及非二元事件标记。
df["hours"] = pd.to_numeric(df["hours"], errors="raise").astype("float64")
status = pd.to_numeric(df["event_observed"], errors="raise")
if (df["hours"] <= 0).any() or not status.isin([0, 1]).all():
raise ValueError("hours 必须大于 0,event_observed 只能为 0 或 1")
if df["device_id"].duplicated().any():
raise ValueError("设备编号重复")
df["event_observed"] = status.astype("int64")
for name in required:
print(f"{name}: {df[name].dtype}")
print(f"设备数: {len(df)}")
print(f"失效: {int(df['event_observed'].sum())}, 右删失: {int((df['event_observed'] == 0).sum())}")
print(f"平均观察时间: {df['hours'].mean():.2f} h")
for batch, group in df.groupby("batch", sort=True):
print(f"{batch}: {len(group)} 台, 失效 {int(group['event_observed'].sum())} 台")
# 仅作环境和事件编码的冒烟测试,不把观察均值当作平均寿命。
km = KaplanMeierFitter().fit(df["hours"], event_observed=df["event_observed"])
print(f"KM S(200 h): {float(km.predict(200)):.3f}")
if __name__ == "__main__":
main()预期输出:
device_id: string
hours: float64
event_observed: int64
batch: string
设备数: 8
失效: 5, 右删失: 3
平均观察时间: 193.75 h
A: 4 台, 失效 3 台
B: 4 台, 失效 2 台
KM S(200 h): 0.500KM S(200 h) 表示按这八条数据估计设备运行到 200 小时以后仍未失效的概率为 0.5。该数值仅用于核对样本与分析链路,不代表真实产品可靠性已经得到充分验证。
处理常见报错与数据误读
ModuleNotFoundError: No module named 'lifelines':通常是运行了系统 Python,而库装在.venv中。用上文的虚拟环境解释器执行脚本,避免只输入python check_data.py。FileNotFoundError:确认life.csv与check_data.py在同一目录、文件扩展名未被保存为.csv.txt;脚本按自身所在目录寻找样本,不依赖终端当前路径。ValueError或类型转换失败:核对 CSV 列名、空单元格、正数运行时间与0/1状态;例如把event_observed写成2应直接拒绝而非自动归入故障。
本例的 193.75 小时是平均观察时间,不是平均失效寿命:三台设备结束观察时尚未失效。导入真实数据时,还要检查不同批次是否采用同一起始条件、失效判据与小时单位;否则即使代码成功运行,组间比较也可能失真。