1. 項(xiàng)目概述為什么info()遠(yuǎn)不止一個(gè)“查看”命令如果你用pandas處理數(shù)據(jù)超過一周大概率已經(jīng)用過DataFrame.info()這個(gè)函數(shù)了。表面上看它就是個(gè)簡單的信息摘要打印出數(shù)據(jù)框的行列數(shù)、列名、非空值數(shù)量和數(shù)據(jù)類型。很多新手教程把它歸為“數(shù)據(jù)預(yù)覽”或“基本信息查看”一類用一兩句話帶過。但在我處理過上百個(gè)真實(shí)的數(shù)據(jù)清洗、特征工程和模型準(zhǔn)備項(xiàng)目后我意識到絕大多數(shù)人都嚴(yán)重低估了info()的價(jià)值。它不是一個(gè)被動的“查看器”而是一個(gè)主動的“診斷儀”。當(dāng)你拿到一份陌生的、臟的、來源不明的數(shù)據(jù)時(shí)info()是你按下的一鍵掃描。它輸出的那幾行文字幾乎能立刻告訴你這份數(shù)據(jù)的“健康狀態(tài)”哪里缺了“骨頭”缺失值哪里“骨頭”長得不對數(shù)據(jù)類型錯(cuò)誤以及整體的“骨架”是否勻稱內(nèi)存占用。很多后續(xù)數(shù)小時(shí)的數(shù)據(jù)清洗和調(diào)試工作其根源問題在第一次調(diào)用info()時(shí)就已埋下伏筆。這次我們就徹底拆解這個(gè)看似簡單卻至關(guān)重要的函數(shù)讓你從“會用”升級到“精通”真正把它變成數(shù)據(jù)分析工作流中的核心偵察兵。2.info()的核心功能與輸出全解info()方法會向控制臺打印一個(gè)DataFrame或Series的簡明摘要。這個(gè)摘要信息結(jié)構(gòu)固定但每一行都暗藏玄機(jī)。我們先從一個(gè)最簡單的例子開始建立直觀認(rèn)識。2.1 基礎(chǔ)輸出結(jié)構(gòu)拆解假設(shè)我們有一個(gè)簡單的DataFrameimport pandas as pd import numpy as np # 創(chuàng)建一個(gè)包含多種數(shù)據(jù)類型和缺失值的示例數(shù)據(jù)框 df pd.DataFrame({ user_id: [101, 102, 103, 104, 105], name: [Alice, Bob, Charlie, None, Eve], age: [25, 30, 35, 40, None], score: [89.5, 92.0, 76.5, 88.0, 95.5], is_active: [True, True, False, True, False], join_date: pd.to_datetime([2023-01-15, 2023-02-20, 2023-01-10, 2023-03-01, 2023-02-28]) }) print(df.info())運(yùn)行后你會看到類似下面的輸出具體格式可能因pandas版本略有不同class pandas.core.frame.DataFrame RangeIndex: 5 entries, 0 to 4 Data columns (total 6 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 user_id 5 non-null int64 1 name 4 non-null object 2 age 4 non-null float64 3 score 5 non-null float64 4 is_active 5 non-null bool 5 join_date 5 non-null datetime64[ns] dtypes: bool(1), datetime64[ns](1), float64(2), int64(1), object(1) memory usage: 338.0 bytes我們來逐行解讀這個(gè)“診斷報(bào)告”class ‘pandas.core.frame.DataFrame’ 確認(rèn)對象類型。這行看似廢話但在復(fù)雜的代碼流或函數(shù)封裝中有時(shí)需要確認(rèn)傳入的變量確實(shí)是DataFrame而非Series或其他結(jié)構(gòu)。RangeIndex: 5 entries, 0 to 4 索引信息。這里使用的是默認(rèn)的RangeIndex共5條記錄索引從0到4。如果索引是自定義的如時(shí)間序列索引DatetimeIndex或多級索引MultiIndex這里會明確顯示出來。注意entries指的是行數(shù)。表格主體Data columns 這是核心部分。# 列的序號。Column 列名。Non-Null Count該列非空非NaN/None值的數(shù)量。這是發(fā)現(xiàn)缺失值最直接的地方。例如name列顯示4 non-null而總行數(shù)是5立刻可知有1個(gè)缺失值。Dtype 列的數(shù)據(jù)類型。pandas用object通常表示字符串或混合類型int64/float64是數(shù)值bool是布爾值datetime64[ns]是日期時(shí)間。dtypes: 所有數(shù)據(jù)類型的匯總統(tǒng)計(jì)。告訴你這個(gè)DataFrame由哪些類型的列構(gòu)成?？焖賿咭谎劭梢耘袛鄶?shù)據(jù)是否“干凈”。例如如果一個(gè)應(yīng)該是數(shù)值的列顯示為object通常意味著數(shù)據(jù)中混入了字符串如“N/A”,“-”需要清洗。memory usage: 338.0 bytes內(nèi)存使用量估算。對于小型數(shù)據(jù)可以忽略但對于百萬、千萬行級別的大數(shù)據(jù)這個(gè)數(shù)字是優(yōu)化內(nèi)存的起點(diǎn)。如果內(nèi)存占用遠(yuǎn)超預(yù)期可能意味著數(shù)據(jù)類型選擇不當(dāng)比如用object存儲了本可以用category存儲的分類數(shù)據(jù)。2.2 關(guān)鍵參數(shù)深度解析df.info()的默認(rèn)行為已經(jīng)很有用但通過其參數(shù)我們可以定制化這份“診斷報(bào)告”獲取更精準(zhǔn)的信息。verbose參數(shù)布爾值默認(rèn)為True 當(dāng)設(shè)置為verboseFalse時(shí)info()將只輸出一個(gè)精簡版的摘要省略每一列的詳細(xì)信息只顯示數(shù)據(jù)類型匯總和內(nèi)存使用情況。print(df.info(verboseFalse))輸出class pandas.core.frame.DataFrame RangeIndex: 5 entries, 0 to 4 dtypes: bool(1), datetime64[ns](1), float64(2), int64(1), object(1) memory usage: 338.0 bytes使用場景當(dāng)你已經(jīng)了解數(shù)據(jù)概貌或者在一個(gè)需要快速、簡潔輸出的自動化腳本/日志中不希望控制臺被冗長的列信息刷屏?xí)r這個(gè)參數(shù)非常有用。memory_usage參數(shù)可接受布爾值或字符串默認(rèn)為None在多數(shù)版本中等同于True 這個(gè)參數(shù)控制內(nèi)存使用情況的顯示和計(jì)算方式是進(jìn)行大數(shù)據(jù)內(nèi)存優(yōu)化的關(guān)鍵入口。memory_usageTrue或None 顯示內(nèi)存使用量如上例所示。memory_usageFalse 不顯示內(nèi)存使用量。memory_usage’deep’進(jìn)行深度內(nèi)存估算。這是最重要的一個(gè)選項(xiàng)。默認(rèn)的內(nèi)存估算只計(jì)算各列本身數(shù)據(jù)的開銷對于object類型尤其是字符串的列它只計(jì)算引用的大小而不會計(jì)算字符串實(shí)際內(nèi)容占用的內(nèi)存。使用’deep’會進(jìn)行更精確但也更耗時(shí)的計(jì)算。# 創(chuàng)建一個(gè)包含長字符串的DataFrame df_large_text pd.DataFrame({id: range(1000), text: [a_very_long_string_ * 10] * 1000}) print(“默認(rèn)估算:”) print(df_large_text.info(memory_usageTrue)) # 或 None print(“\n深度估算:”) print(df_large_text.info(memory_usage’deep’))你會看到兩個(gè)截然不同的memory usage值?！痙eep’模式下的值才更接近真實(shí)內(nèi)存消耗。注意對于大型DataFrame深度估算可能較慢建議在需要精確評估內(nèi)存時(shí)使用。show_counts參數(shù)布爾值默認(rèn)為None在多數(shù)新版pandas中等同于True 控制是否顯示Non-Null Count。如果數(shù)據(jù)量極大計(jì)算非空值計(jì)數(shù)會有開銷。當(dāng)你只關(guān)心數(shù)據(jù)類型和內(nèi)存或者明確知道沒有缺失值時(shí)可以將其設(shè)為False來加速并簡化輸出。print(df.info(show_countsFalse))輸出中Non-Null Count列將消失。null_counts參數(shù)布爾值舊版參數(shù)已被show_counts取代 在一些較舊的pandas版本中你可能看到這個(gè)參數(shù)其功能與show_counts相同。在新代碼中應(yīng)使用show_counts。實(shí)操心得我個(gè)人的習(xí)慣是在數(shù)據(jù)探索的第一步總是使用df.info()的默認(rèn)參數(shù)獲取最全面的第一印象。如果數(shù)據(jù)框很大輸出太長我會先用df.head()看幾行數(shù)據(jù)再用df.info(verboseFalse)看整體類型和內(nèi)存。當(dāng)懷疑內(nèi)存占用異常時(shí)一定會用df.info(memory_usage’deep’)進(jìn)行深度檢查。3. 從info()輸出中洞察數(shù)據(jù)問題info()的輸出是一份靜態(tài)報(bào)告但資深分析師能從中讀出動態(tài)的“故事”和潛在風(fēng)險(xiǎn)。以下是幾種常見的“問題模式”及其診斷思路。3.1 識別缺失值模式與陷阱Non-Null Count是發(fā)現(xiàn)缺失值最直接的指標(biāo)。但看絕對值不夠要學(xué)會看模式和比例。模式一整列缺失。如果某一列的Non-Null Count為0意味著該列全部是空值。這通常是一個(gè)需要?jiǎng)h除的列除非有特殊業(yè)務(wù)含義。模式二均勻缺失。多列的非空數(shù)量相同但都小于總行數(shù)。這可能意味著這些列的缺失發(fā)生在同一批記錄上提示可能存在系統(tǒng)性的數(shù)據(jù)采集失敗例如某次問卷中部分題目未被作答。模式三單一列大量缺失。例如總行數(shù)100萬某列非空數(shù)只有10萬。這需要重點(diǎn)審視這列是否還有保留價(jià)值缺失是隨機(jī)的還是有規(guī)律的如新上線的功能字段舊數(shù)據(jù)沒有一個(gè)經(jīng)典陷阱info()顯示的Non-Null Count只識別pandas認(rèn)可的缺失值即NaN對于數(shù)值列或None/NaT對于對象/時(shí)間列。如果數(shù)據(jù)中缺失值以其他形式存在如空字符串“”、“NULL”、“N/A”、-1、999等info()會將其視為有效值從而誤導(dǎo)你。注意在調(diào)用info()之前一個(gè)良好的數(shù)據(jù)清洗習(xí)慣是先將這些“偽缺失值”統(tǒng)一替換為真正的NaN。例如df.replace([“”, “NULL”, “N/A”, -1, 999], np.nan, inplaceTrue)。這樣info()給出的缺失值報(bào)告才是真實(shí)的。3.2 診斷數(shù)據(jù)類型錯(cuò)誤Dtype列是數(shù)據(jù)質(zhì)量的另一面鏡子。數(shù)據(jù)類型錯(cuò)誤會導(dǎo)致計(jì)算錯(cuò)誤、性能下降甚至分析邏輯謬誤。數(shù)值列顯示為object這是最常見的問題。例如一個(gè)應(yīng)該是年齡的列因?yàn)榛烊肓恕拔粗被颉皌wenty-five”這樣的字符串導(dǎo)致整列被推斷為object類型。這將導(dǎo)致你無法進(jìn)行任何數(shù)學(xué)運(yùn)算mean(),sum()。解決方案是使用pd.to_numeric(…, errors’coerce’)進(jìn)行強(qiáng)制轉(zhuǎn)換非法值會變成NaN此時(shí)再結(jié)合info()查看新的缺失情況。日期列顯示為object日期時(shí)間數(shù)據(jù)如果格式不統(tǒng)一pandas在讀取時(shí)如用read_csv可能無法自動解析會保留為object。你需要用pd.to_datetime(…, errors’coerce’)進(jìn)行轉(zhuǎn)換同樣轉(zhuǎn)換失敗會變成NaT時(shí)間戳類型的缺失值。分類文本列顯示為object如果一個(gè)列只有有限的幾個(gè)重復(fù)值如性別“男”,“女”城市名保持為object會浪費(fèi)大量內(nèi)存。info()中如果看到大量object類型且內(nèi)存占用很高就要考慮是否將其轉(zhuǎn)換為category類型。轉(zhuǎn)換后info()顯示的Dtype會變成category內(nèi)存使用量通常會大幅下降。3.3 評估內(nèi)存使用與優(yōu)化方向memory usage是性能優(yōu)化的指南針。對于大型數(shù)據(jù)集內(nèi)存直接決定了你能否在本地機(jī)器上進(jìn)行分析以及計(jì)算速度。建立基線首先用df.info(memory_usage’deep’)獲取真實(shí)內(nèi)存占用。識別內(nèi)存大戶object類型的列通常是內(nèi)存消耗的主力尤其是存儲了長文本的列。優(yōu)化策略向下轉(zhuǎn)換數(shù)值類型int64可以嘗試轉(zhuǎn)為int32或int16float64可以嘗試轉(zhuǎn)為float32。使用df[‘column’].astype(‘int32’)。轉(zhuǎn)換前用df[‘column’].min()和df[‘column’].max()檢查值域是否在新類型范圍內(nèi)。使用分類類型對低基數(shù)唯一值少的object列使用df[‘column’] df[‘column’].astype(‘category’)。轉(zhuǎn)換后再次運(yùn)行info()對比內(nèi)存節(jié)省效果。使用稀疏數(shù)據(jù)結(jié)構(gòu)如果數(shù)據(jù)中絕大部分是相同的值如0可以考慮使用稀疏數(shù)據(jù)類型但這屬于進(jìn)階優(yōu)化。監(jiān)控優(yōu)化效果每進(jìn)行一次優(yōu)化操作就重新運(yùn)行一次df.info(memory_usage’deep’)量化你的優(yōu)化成果。這是一個(gè)非常有效的正反饋循環(huán)。4.info()在數(shù)據(jù)分析工作流中的實(shí)戰(zhàn)應(yīng)用理解了info()的細(xì)節(jié)和診斷能力后我們把它嵌入到一個(gè)完整的數(shù)據(jù)分析工作流中看看它如何在不同階段發(fā)揮作用。4.1 數(shù)據(jù)讀取后的首次“體檢”這是info()最標(biāo)準(zhǔn)的應(yīng)用場景。在pd.read_csv(),pd.read_excel()或從數(shù)據(jù)庫讀取數(shù)據(jù)后立即執(zhí)行df.info()。import pandas as pd # 模擬從CSV讀取數(shù)據(jù) df_raw pd.read_csv(‘your_data.csv’) print(“ 數(shù)據(jù)首次體檢報(bào)告 ”) df_raw.info()這次調(diào)用將回答以下問題數(shù)據(jù)有多大行、列列名是否符合預(yù)期有沒有多余的空格或奇怪的字符檢查Column列有沒有令人意外的缺失檢查Non-Null Count數(shù)據(jù)類型是否正確數(shù)字、日期是否被正確識別檢查Dtype數(shù)據(jù)規(guī)模是否在我的機(jī)器內(nèi)存承受范圍內(nèi)檢查memory usage基于這份報(bào)告你可以決定下一步是直接開始分析還是需要先進(jìn)行數(shù)據(jù)清洗。4.2 數(shù)據(jù)清洗過程中的“監(jiān)控器”數(shù)據(jù)清洗不是一蹴而就的info()是監(jiān)控清洗效果的最佳工具。場景示例清洗用戶信息表假設(shè)原始df_raw的info()顯示age列是object類型且有少量缺失。# 步驟1查看原始狀態(tài) print(“清洗前:”) df_raw.info() # 步驟2處理“偽缺失值”和錯(cuò)誤格式 df_clean df_raw.copy() # 將年齡列中的非數(shù)字字符如’約30‘替換為NaN df_clean[‘a(chǎn)ge’] pd.to_numeric(df_clean[‘a(chǎn)ge’], errors’coerce’) # 步驟3查看轉(zhuǎn)換后的效果 print(“\n轉(zhuǎn)換年齡列后:”) df_clean.info() # 此時(shí)age列的Dtype應(yīng)變?yōu)閒loat64Non-Null Count可能減少非法值變NaN # 步驟4處理其他列如日期列 df_clean[‘join_date’] pd.to_datetime(df_clean[‘join_date’], errors’coerce’) # 步驟5再次查看整體狀態(tài) print(“\n清洗完成后:”) df_clean.info()通過對比幾次info()的輸出你可以清晰地追蹤每一列數(shù)據(jù)類型的轉(zhuǎn)變和缺失值數(shù)量的變化確保清洗操作按預(yù)期進(jìn)行。4.3 特征工程與數(shù)據(jù)合并后的“校驗(yàn)器”在進(jìn)行特征衍生、數(shù)據(jù)合并merge,concat或數(shù)據(jù)透視pivot后數(shù)據(jù)形狀和類型可能發(fā)生變化。此時(shí)調(diào)用info()進(jìn)行校驗(yàn)至關(guān)重要。# 假設(shè)我們有兩個(gè)數(shù)據(jù)框要合并 df_users pd.DataFrame({‘user_id’: [1, 2, 3], ‘name’: [‘A’, ‘B’, ‘C’]}) df_orders pd.DataFrame({‘order_id’: [‘o1’, ‘o2’, ‘o3’], ‘user_id’: [1, 2, 99], ‘a(chǎn)mount’: [100, 200, 300]}) print(“合并前 df_users:”) df_users.info() print(“\n合并前 df_orders:”) df_orders.info() # 進(jìn)行左連接 df_merged pd.merge(df_users, df_orders, on‘user_id’, how‘left’) print(“\n合并后 df_merged:”) df_merged.info()合并后的info()可以幫你驗(yàn)證合并后的行數(shù)是否符合預(yù)期左連接應(yīng)保持左表行數(shù)新增的列如order_id,amount是否成功加入新增列的缺失值情況如何例如user_id3的用戶沒有訂單其order_id和amount應(yīng)為NaN這會在Non-Null Count中體現(xiàn)合并鍵user_id的數(shù)據(jù)類型在兩張表中是否一致如果不一致如一個(gè)是int64一個(gè)是object合并可能會失敗或產(chǎn)生意外結(jié)果info()可以提前預(yù)警。4.4 自動化腳本與日志記錄在自動化數(shù)據(jù)管道或定期報(bào)告中將info()的輸出記錄到日志文件是非常好的實(shí)踐。你可以使用StringIO來捕獲它的輸出。import pandas as pd from io import StringIO import logging logging.basicConfig(levellogging.INFO) logger logging.getLogger(__name__) def process_data(df): “”“模擬數(shù)據(jù)處理函數(shù)”“” # 捕獲info輸出 buffer StringIO() df.info(bufbuffer) info_str buffer.getvalue() # 記錄到日志 logger.info(“DataFrame Info after processing:\n%s”, info_str) # 也可以寫入文件 with open(‘data_profile.log’, ‘a(chǎn)’) as f: f.write(f”{pd.Timestamp.now()} - DataFrame Info\n”) f.write(info_str) f.write(“\n” “”*50 “\n”) return df # 使用示例 df pd.DataFrame({‘A’: [1, 2, 3]}) process_data(df)這樣每次腳本運(yùn)行時(shí)數(shù)據(jù)的關(guān)鍵狀態(tài)都會被持久化記錄便于事后審計(jì)和問題排查。5. 常見問題與排查技巧實(shí)錄即使對info()很熟悉在實(shí)際使用中還是會遇到一些令人困惑的情況。這里記錄了幾個(gè)我踩過的坑和解決方案。5.1info()顯示內(nèi)存很小但實(shí)際操作時(shí)內(nèi)存爆炸問題描述一個(gè)DataFrame調(diào)用info()顯示內(nèi)存只有幾十MB但在進(jìn)行g(shù)roupby、merge或簡單賦值時(shí)Python 進(jìn)程內(nèi)存迅速增長到幾個(gè)GB。根本原因info()默認(rèn)的memory_usage計(jì)算方式非’deep’嚴(yán)重低估了object類型列的內(nèi)存占用。object類型在pandas中存儲的是 Python 對象的指針引用info()只計(jì)算了這些指針的大小通常8字節(jié)/值而沒有計(jì)算對象本身如字符串的大小。當(dāng)object列存儲了大量長字符串時(shí)真實(shí)內(nèi)存消耗可能是指針的數(shù)十倍甚至上百倍。解決方案永遠(yuǎn)對包含文本數(shù)據(jù)的DataFrame使用df.info(memory_usage’deep’)。這會觸發(fā)一次全面的內(nèi)存計(jì)算雖然慢但能反映真實(shí)情況。如果’deep’模式顯示內(nèi)存巨大那么優(yōu)化策略就是針對這些object列刪除不必要的文本列、將短文本列轉(zhuǎn)為category、或者考慮使用更高效的數(shù)據(jù)格式如parquet進(jìn)行存儲。5.2 缺失值數(shù)量顯示不一致問題描述df.info()顯示的某列Non-Null Count是 9000但用df[‘column’].isna().sum()計(jì)算出來的缺失值數(shù)量卻是 9500。排查思路這通常是因?yàn)閿?shù)據(jù)中存在pandas不認(rèn)為是NaN的“偽缺失值”。info()只統(tǒng)計(jì)真正的NaN/None/NaT。而isna()或isnull()方法也只識別這些真正的缺失值。如果數(shù)量不一致說明你用來計(jì)算缺失值的方法可能識別了更多東西比如你可能用了df[‘column’].isnull().sum()這在大多數(shù)情況下和isna()等價(jià)。更可能的情況是你心里以為的“缺失值”如空字符串、占位符并沒有被pandas識別。確保在數(shù)據(jù)清洗的第一步就使用df.replace()或df.map()將這些偽缺失值統(tǒng)一轉(zhuǎn)換為np.nan。之后info()和isna().sum()的結(jié)果就會一致。5.3 大數(shù)據(jù)集下info()執(zhí)行緩慢或卡住問題描述當(dāng)處理一個(gè)有幾百萬行、上百列的數(shù)據(jù)集時(shí)調(diào)用df.info()需要很長時(shí)間甚至感覺程序無響應(yīng)。原因分析info()為了計(jì)算Non-Null Count和內(nèi)存使用需要遍歷每一列的數(shù)據(jù)。對于超大數(shù)據(jù)集這是一個(gè)計(jì)算密集型操作。memory_usage’deep’模式尤其耗時(shí)因?yàn)樗钊胗?jì)算每個(gè)對象的大小。優(yōu)化策略采樣查看對于初步探索不必在全量數(shù)據(jù)上運(yùn)行info()?？梢允褂胐f.sample(10000).info()對數(shù)據(jù)進(jìn)行采樣獲取近似的信息。這能極大提升響應(yīng)速度。分批查看如果列非常多可以使用df.iloc[:, :20].info()查看前20列的信息然后再看后面的列。按需使用深度估算只在懷疑內(nèi)存有問題時(shí)才使用memory_usage’deep’。日常監(jiān)控用默認(rèn)模式即可。使用df.dtypes和df.isna().sum()替代如果你只關(guān)心數(shù)據(jù)類型和缺失值總數(shù)可以分別調(diào)用這兩個(gè)屬性/方法它們可能比info()更快因?yàn)閕nfo()還整合了其他信息。5.4 如何獲取info()的信息以供程序化使用問題描述info()的輸出是給人看的字符串如果想在程序里獲取這些數(shù)據(jù)比如自動判斷哪些列缺失率超過50%并報(bào)警該怎么辦解決方案info()的大部分信息都可以通過DataFrame的其他屬性或方法單獨(dú)獲取然后進(jìn)行編程處理。import pandas as pd import numpy as np df pd.DataFrame({‘A’: [1, 2, np.nan], ‘B’: [‘x’, None, ‘z’]}) # 1. 獲取行數(shù)和列數(shù) shape df.shape # (3, 2) # 2. 獲取數(shù)據(jù)類型 dtypes df.dtypes # 3. 獲取每列的非空值數(shù)量 non_null_counts df.count() # 返回一個(gè)Series # 4. 獲取每列的缺失值數(shù)量 null_counts df.isnull().sum() # 返回一個(gè)Series # 5. 計(jì)算缺失率 missing_rates (df.isnull().sum() / len(df)) * 100 # 基于這些信息進(jìn)行自動化決策 high_missing_cols missing_rates[missing_rates 50].index.tolist() if high_missing_cols: print(f“警告以下列缺失率超過50%建議檢查或刪除: {high_missing_cols}”) # 6. 獲取內(nèi)存使用近似值非深度 memory_usage df.memory_usage(deepFalse).sum() # 獲取深度內(nèi)存使用較慢 memory_usage_deep df.memory_usage(deepTrue).sum()通過組合這些屬性你可以構(gòu)建出比info()更靈活、更強(qiáng)大的自動化數(shù)據(jù)質(zhì)量檢查腳本。