numeric_distribution_check 字段分布校验Skill

功能概述

本skill用于在表级别检查字段的整体分布是否合理，包含两种模式：

数值模式（numeric）

• 计算数值字段的统计特征
• 支持均值、标准差、中位数、最小值、最大值、25%分位数、75%分位数
• 任一统计量超出约束范围时，整表标记为不通过

分类模式（categorical）

• 统计分类字段的类别数和类别占比
• 检查类别数是否超过 max_categories
• 检查单类占比是否超过 max_single_ratio
• 类别数超限时整表标记；单类占比超限时仅标记该类别对应的行

触发条件

当用户请求以下任务时，应使用此skill：

• 分布校验
• 统计特征验证
• 均值/标准差检查
• 数值分布偏移检测
• 类别频率检查
• 分类分布检查
• 类别倾斜检测
• 数据平衡性分析

处理逻辑

1. 读取输入数据表
2. 根据 mode 选择校验路径：
   • numeric：提取 value_field 的有效数值，计算统计量并与 stat_constraints 比较
   • categorical：统计 category_field 的类别频次和占比，检查 max_categories 与 max_single_ratio
3. 若任一约束超限，则在 mark_field_name 列标记 qc_mark
4. 输出统计摘要和校验结果

支持的文件格式

• CSV (.csv)
• TSV (.tsv)
• Excel (.xls, .xlsx)
• SPSS (.sav)

使用方法

步骤1：获取用户输入输出路径及参数

向用户确认：

1. 输入文件路径（需要校验的文件）
2. 输出文件路径（校验结果文件）
3. 校验模式（numeric 或 categorical）
4. 数值字段名与统计约束，或分类字段名与类别阈值
5. 质控标识

步骤2：执行字段分布校验脚本

在 scripts/ 目录下找到 numeric_distribution_check.py，使用Python执行：

数值模式：

python scripts/numeric_distribution_check.py \
    --input_path data.csv \
    --output_path checked.csv \
    --mode numeric \
    --value_field "score" \
    --stat_constraints "mean,40,60 std,0,20" \
    --qc_mark QC0029

分类模式：

python scripts/numeric_distribution_check.py \
    --input_path data.csv \
    --output_path checked.csv \
    --mode categorical \
    --category_field "category" \
    --max_categories 20 \
    --max_single_ratio 0.5 \
    --qc_mark QC0029

步骤3：返回结果

脚本执行完成后，告知用户：

• 实际统计值或类别分布概况
• 哪些约束超出范围
• 是否整表标记，或仅标记单类倾斜行

参数说明

参数	必填	说明
--input_path	是	输入文件路径（支持CSV/TSV/Excel/SPSS）
--output_path	是	输出文件路径
--mode	否	校验模式：numeric（默认）或 categorical
--value_field	数值模式必需	要统计的数值字段名
--stat_constraints	数值模式必需	统计约束，格式：统计量,min,max，多组用空格或分号分隔
--category_field	分类模式必需	要检查的分类字段名
--max_categories	分类模式可选	最大允许类别数（超过则全部标记）
--max_single_ratio	分类模式可选	单类最大占比 0~1（超过则标记倾斜类别所有行）
--qc_mark	是	质控标识（如QC0029）
--mark_field_name	否	质控标识字段名（默认QC0000）

输出示例

数值模式：分布偏移

[OK] Using encoding UTF-8 successfully read CSV file
Successfully read file: /path/to/data.csv, shape: (1000, 5)
  [mean] 期望 [40, 60], 实际 72.3000 ✗ 超限
  [std] 期望 [0, 20], 实际 15.8000 ✓
[QC FAIL] 数值分布校验未通过 (1 项):
  [mean] 期望 [40, 60], 实际 72.3000 ✗ 超限
Successfully written file: /path/to/checked.csv

数值模式：通过

[OK] Using encoding UTF-8 successfully read CSV file
Successfully read file: /path/to/data.csv, shape: (500, 4)
  [mean] 期望 [40, 60], 实际 52.1000 ✓
  [std] 期望 [0, 20], 实际 12.3000 ✓
[QC PASS] 数值分布校验通过
Successfully written file: /path/to/checked.csv

分类模式：未通过

[OK] Using encoding UTF-8 successfully read CSV file
Successfully read file: /path/to/data.csv, shape: (500, 8)
[INFO] 总行数: 500, 类别数: 35
  dominant                                 362 (72.4%)
  ... 还有 34 个类别
[QC FAIL] 分类频率校验未通过 (2 项):
  [类别数] 实际 35 > 最大 20
  [倾斜] 类别 'dominant' 占比 72.4% > 60%
Successfully written file: /path/to/checked.csv

注意事项

1. 输入输出路径需要用户提供
2. 输出文件格式会自动保持与输入文件一致
3. 本skill为表级别校验：数值模式不通过时整表标记；分类模式中类别数超限时整表标记，单类倾斜时只标记该类别对应行
4. 数值模式约束表达式格式：统计量,min,max，多组用空格或分号分隔
5. 非数值数据自动转为 NaN 后从统计中排除
6. 分类模式会忽略空值和空字符串
7. 如果用户没有指定输出路径，可以建议使用原文件名加上 _checked 后缀
8. 与逐行离群点检测、枚举词典合规校验等 skill 的职责不同，本 skill 只负责字段分布合理性检查