wafer map怎么画才专业:我用Python把良率分析报告提升了一个档次
一、背景:那些不忍直视的良率报告
我做YE时最怕开周会。不是怕被问，而是怕放PPT。每次轮到我说良率情况，我就把设备自带软件截的图直接粘进PPT：灰蒙蒙的图、色块不均、分辨率低、标注不清晰，厂长每次看完都皱眉，但没好意思说。后来我才知道，他在会上说YE的图表能不能做得清楚点。
有一次客户来审厂，要看近一个月的良率趋势和wafer map对比。我临时手动从设备软件里导图、排版、调格式，弄了整整一下午，交出来的PPT还是惨不忍睹——色标不统一、图例缺失、批次之间对不齐。客户方工程师当场说这图表不够专业。我又一次无地自容。
痛定思痛，我决定把wafer map可视化做成自动化工具。目标：输入原始测试数据（晶圆测试机导出的文件），输出专业的良率报告图，批量、可复用、格式统一。Python是最佳选择：numpy处理晶圆几何变换，matplotlib做可视化，pillow处理图像格式，三件套组合起来可以做任何晶圆图。设备自带软件做不了的事（叠加对比、自定义色标、批量处理），Python全都能做。
二、技术原理:wafer map的本质是什么
wafer map是晶圆平面图，展示每个测试点（die）的良率参数（如良率、膜厚、电阻率等），用颜色编码数值大小。常见形式：2D热力图（颜色深浅=数值高低）、良率分布图（绿色好/红色坏）、缺陷密度图（颜色=缺陷数量）。
晶圆几何特点：圆形晶圆被切割成许多矩形die，边缘die往往被截断（在晶圆边缘的die不是完整矩形）。matplotlib画wafer map有两种方法：一是imshow+圆形mask（适合快速预览），二是scatter点阵+圆形裁切（适合精确分析）。推荐scatter法：可以精确控制每个die的位置和大小，边缘截断自然。
色标（Colormap）选择很讲究：良率图推荐红绿蓝渐变或红黄绿渐变（绿色=好，红色=差），这种语义和直觉一致；膜厚等连续参数推荐蓝红渐变（蓝=薄，红=厚）或viridis（色盲友好）。避免用rainbow（彩虹）色标：数值连续性在人眼感知上不均匀，且色盲不友好。
晶圆方向的标准化很重要：晶圆有晶体方向（Crystal Orientation），测试数据里die的行列编号和晶圆实际方向（Notch/Flat）有对应关系。报告里要标注晶圆方向（N/A/S/E），否则阅读者无法和实际设备位置对应。
三、实战:我的wafer map可视化工具
工具分三层：数据层、几何层、渲染层。数据层：读取设备导出的CSV/Excel测试数据，提取die位置（X, Y坐标或行号列号）、良率参数值、缺陷信息。不同设备格式不同，用适配器模式写了多个解析器，设备无关。
几何层：numpy生成晶圆die网格，根据晶圆直径（6寸/8寸/12寸）和步进（die间距）计算每个die的像素坐标，生成掩码（mask）标识边缘截断die。
渲染层：用matplotlib的pcolormesh做热力图，设色标、加colorbar、加晶圆边缘圆（Circle patch），标Notch方向。每个wafer map生成一张300DPI的PNG，可直接嵌入PPT或Word。
亮点功能：批量处理（指定日期范围，自动生成所有批次的wafer map）、历史对比（把当前批次和历史良率图叠加，用半透明方式展示变化）、异常标注（把缺陷点用X标记标在图上，并自动计算缺陷密度）。
工具输出示例：每批次自动生成一张wafer map（300DPI）、一张良率趋势图、一张缺陷Top分布图，自动命名归档到按批次分类的目录。下次汇报时，直接从目录里拿图，不用临时导。
四、为什么这样写代码
scatter画法的核心：设置alpha透明度让重叠部分可见，edgecolors控制die边框颜色和宽度，facecolors用colormap映射数值。pcolormesh做热力图比imshow更精确，因为die的边界和实际几何完全对应。
圆形裁切用Circle patch叠加ax.scatter：pcolormesh显示数据，Circle patch覆盖超出晶圆范围的部分，两者叠加得到完美的圆形晶圆图。
输出高DPI（150-300）保证PPT投影清晰度，不设axis（去坐标轴数字，因为晶圆图不需要坐标轴数值），配色用RdYlGn_r（绿到红，绿色对应高数值）。
五、效果对比:报告质量的跃升
matplotlib做wafer map的进阶技巧：可以用inset在wafer map角落插入一个局部放大图，展示边缘区域的良率情况（边缘die往往良率偏低，是分析的热点）。还可以加colorbar的标签，注明单位和数值范围，让图表自解释。另外，用constrained_layout代替tight_layout，可以避免colorbar和标题重叠的问题。
批量处理是让工具产生质变的关键。我的做法是：指定一个日期范围，工具自动读取该范围内所有批次的测试数据，批量生成wafer map、良率趋势图、缺陷分布图，并按{年份}/{月份}/{批次}/的结构自动归档。这个批量处理让我每周节省了至少3小时的重复性工作。
交互式wafer map是下一步探索的方向。Plotly可以做出带悬停tooltip的wafer map，鼠标放在某个die上可以看到该die的具体参数值。还可以做多批次wafer map的并排对比，拖动滑块看不同批次的变化。这种交互式大屏在生产早会的大屏幕上展示，比静态PPT更有冲击力。
工具上线后，良率报告从不忍直视变成眼前一亮：wafer map色彩专业、对比清晰、标注完整。厂长在季度总结会上特别表扬：YE组的图表质量是全厂最好的。客户审厂时，客户工程师也说这图表很专业。
更重要的是：工具把报告制作时间从2小时降到10分钟（批量处理+自动归档），省下的时间用来做数据分析，而不是做图表。美其名曰：工具解放了我的双手，让我有时间做更有价值的事。
这套工具后来被推广到整个YE组，大家都在用。有人主动提需求：能不能加参数分布直方图、能不能加不同批次wafer map并排对比……工具越用越好用，需求越多越完善，形成正向循环。
六、实施建议:从一张图开始
1. 先把一张wafer map做到极致：先从单批次、单参数开始，做出专业的热力图，包括colorbar、晶圆方向标注、图例完整，然后再扩展批量和多功能。别一上来就想做完整工具，先出单张图建立信心。
2. 色标和标注要统一：先和团队对齐报告规范（用什么colormap、色标范围多少、标注字体大小），统一规范后批量生成，才能保证报告风格一致。
3. 批量处理是核心价值：手动做一张图不省多少时间，批量处理才是工具的核心价值。做好数据管道，让工具读文件夹里的所有数据，自动出所有图。
4. 自动归档到日期目录：报告图按日期和批次归档，下次查历史数据方便，不用临时翻邮件。目录结构：年份/月份/批次/wafer_map/...。
5. 分享给团队并收集反馈：工具做出来只是第一步，用起来才能发现改进点。每周review一次大家的使用反馈，迭代了6个版本才稳定。
6. 把工具做成CLI：命令行参数指定批次和参数类型，用起来比GUI快。YE组的人都习惯用命令行，GUI反而觉得慢。
七、进阶方向:从静态图到交互式大屏
静态图的下一步是交互式wafer map大屏：用Plotly做交互图，支持缩放、悬停显示die参数值、点击跳转详细数据。这种大屏在生产监控室展示比静态PPT更有价值——可以实时看到当前批次的状态。
另一个方向是wafer map + AI：把历史wafer map图片喂给CNN训练，模型学习良率分布模式，对新批次wafer map做分类或预测。这比纯统计分析更能捕捉复杂的空间相关性，是前沿研究的方向。
Wafer map可视化是FAB数字化的脸面——它是数据质量的直观体现，也是良率工程师专业能力的载体。做好它，既提升汇报效果，也提升团队形象。
【效果对比】
指标 | 手动导图(PPT) | Python自动生成 | 变化 |
单批次出图时间 | 2小时 | 10分钟 | -92% |
月均出图数量 | 10张 | 300张(全量) | 30倍 |
报告美观度 | 低 | 高 | 显著提升 |
历史追溯效率 | 低(邮件找图) | 高(目录归档) | 大幅提升 |
【完整代码】
import numpy as np, matplotlib.pyplot as plt
from matplotlib.patches import Circle
def draw_wafer_map(wafer_data, cmap='RdYlGn_r', dpi=150):
fig, ax = plt.subplots(figsize=(7, 6))
x = np.arange(wafer_data.shape[1]+1)
y = np.arange(wafer_data.shape[0]+1)
mesh = ax.pcolormesh(x, y, wafer_data, cmap=cmap, shading='flat')
r = max(wafer_data.shape)/2 + 0.5
cx, cy = wafer_data.shape[1]/2, wafer_data.shape[0]/2
circ = Circle((cx, cy), r, fill=False, lw=2, color='black')
ax.add_patch(circ)
ax.set_xlim(0, wafer_data.shape[1])
ax.set_ylim(0, wafer_data.shape[0])
ax.set_aspect('equal'); ax.axis('off')
plt.colorbar(mesh, ax=ax, label='良率(%)')
plt.title('Wafer Map - 良率分布', fontsize=14, fontweight='bold')
plt.tight_layout()
plt.savefig('wafer_map.png', dpi=dpi, facecolor='white')
plt.close(); print('wafer_map.png 已生成')
# 模拟12寸晶圆良率数据(20x20 grid)
np.random.seed(42)
data = np.clip(np.random.normal(97, 3, (20,20)), 80, 100)
draw_wafer_map(data)