本篇目的：了解如何將 wafer 檢測資料轉換成二維格式，並使用 Matplotlib 的 pcolormesh 繪製出 wafer mapping

前言

我們從 wafer 的數據表格可以得知 wafer 有無失效，但觀看失效品在 wafer 上的分布才能推測失效模式。例如一條一條的刮痕、磊晶品質不均勻造成的區塊失效、某液體汙染產生的水痕等。且我們通常無法使用 excel 繪製 wafer mapping，需要用另外的程式作業。在此我會分享如何使用 Python 的 Matplotlib 模組繪製 wafer mapping ，讓大家的 wafer 產出監控更加自動化。

Tips: excel 的樞紐分析表 + 條件式格式設定可以做到類似 mapping 圖的效果，但超級吃記憶體...…

Mapping 圖繪製與資料預處理

通常我們拿到檢測資料都像下圖，一顆晶粒一列、座標標示於不同欄位。這樣的資料格式在觀測指定項目(如下圖的 Po)時很方便，只要確認對應的那一欄即可。但這樣子的格式沒有辦法表現晶粒之間的空間分布，且無法使用 Matplotlib 繪製 mapping 圖。Matplotlib 繪圖需要有X/Y軸以及二維資料，因此我們需要先將資料轉成橫軸與縱軸分別是為X/Y的二維資料，且還要取出X/Y軸的內容。

取出二維資料

在 excel 中，我們會若要取出二維資料，會使用樞紐分析表做這件事情；而在 Python 的 Pandas 模組中，我們可以使用 pivot 這個 function。pivot可以使用 columns= 與 index= 指定二維資料的橫軸縱軸，並且將 values= 指定的欄位資料轉換成二維的分布。

# df_a_wafer 是已經讀取完成並存成 dataframe 之檢測資料

# 二維化
# 輸出資料也是 dataframe
df_po_2d = df_a_wafer.pivot(columns = 'X', index= 'Y', values= 'Wd2') 

Dataframe 是無法丟進pcolormesh 繪圖的，要是 array-like 的資料才行，這時需要使用 to_numpy 這個 function。Numpy 是一個支援陣列格式 (array) 的資料科學模組，而 to_numpy可以把 Dataframe 的 value 取出並轉成 array。

Wafer 的檢測資料一定會有對位 key、缺失晶粒等沒有資料的地方。這些缺失資料在 array 會以 np.nan 的格式標示、且會影響後續繪製 mapping 圖的 colorbar，因此須將資料轉成 masked_array。masked_array 是一個含有 data (資料本身) 與 mask (遮罩，需計算位置為 False，不計算位置為 True) 的資料集，在繪製圖像或是計算值時，標示為 True 的地方都不會納入計算，避免晶粒缺失造成的繪圖或統計異常。

# 轉成array
wafer_2d_array = df_po_2d.to_numpy() 

# 加上遮罩，讓空缺處在統計時會被 by pass
wafer_masked = np.ma.masked_invalid(wafer_2d_array)

取出X/ Y軸資料

根據 Matplotlib 的官方說明，要使用 pcolormesh 畫出一張 mapping 圖最少需要X軸、Y軸與需求 data (二維矩陣)。其中X軸與Y軸會對應到需求 data 的行與列，因此我們需要取出資料裡X 與 Y 的所有不重複元素。剛剛我們已經轉換出二維資料，因此只要擷取出 column (X) 與 row (Y) 即可。

實作方式如下：

# 取得x/y座標值
x_coords = df_po_2d.columns.to_numpy()
y_coords = df_po_2d.index.to_numpy()

不能使用 df_a_wafer['X'] 與 df_a_wafer['Y'] 的原因是作為 pcolormesh 的X與Y軸不可有重複元素

Matplotlib 的使用方式

Matplotlib 的基礎架構

我們在使用 Matplotlib 繪圖時，主要會生成 figure 與 axes、並對它們做相關設定。其中 figure 就是一張圖的畫布，圖像大小、背景、存圖等都由此設定。而 axes 為實際控制圖表內容的物件 (object)，坐標軸、圖表數據、樣式都由此控制。

使用 plt.subplots() 便可以一次生成 figure 與 axes ；還可以指定一張畫布內有多張數據圖，並且使用 ax1 與 ax2 作個別的設定。

# 一個畫布內內有一個數據圖
fig, ax = plt.subplots() # (figure, axes)

# 一個畫布內有多個數據圖，且橫向排列
fig_2im, (ax1, ax2) = plt.subplots(nrows=1,ncols=2)

另外 figure 與 axes各項對應到的項目請參考下圖 。

來源：https://matplotlib.org/stable/users/explain/quick_start.html#parts-of-a-figure

使用 pcolormesh 繪製 wafer mapping

axes 是圖表內容的物件，因此繪製圖形自然是對 axes 做 pcolormesh 方法。我們依序將X/Y軸、二維資料等參數傳入 pcolormesh 即可得到 mapping 圖。另外我們可以傳入參數對圖形做更多的外觀設定，例如格線: linewidths、圖表顏色: cmap等。

Mapping 圖一定要有colorbar，使用 fig.colorbar 即可加入 colorbar。

im = ax.pcolormesh(
    x_coords, y_coords, wafer_masked, 
    cmap='jet', shading='nearest', edgecolors='black',linewidths=0.5
)

fig.colorbar(im, ax=ax)  # 加上 Colorbar 方便閱讀

繪製出的圖形如下

關於 Matplotlib 的混亂指令

Matplotlib 的指令比起前面提到的 Pandas 混亂很多，我們可以在網路上找到至少3種不同寫法，但是畫出來卻是同一種圖。在這裡我建議使用 fig, ax = plt.subplots() 這個方法(Matplotlib 官方也建議此用法)，原因是它容易寫且有明確的 figure 與 axes 可供操作。網路上常見的3種寫法比較如下：

To be continued →

上面的圖還有很多可以修改的地方，下一章會說明各種繪製 wafer mapping 的常見設定