面向工具库维护者的质量审计能力。自动检查工具描述、参数Sch…

# GitHub内部工具库审计方案：pandas工具模块专项检查

一、前置说明

我无法直接访问你的GitHub仓库，以下提供一套可落地的审计方法与自查清单，你按步骤执行即可完成审计。

二、参数Schema审计（针对12个pandas工具）

1. Schema规范检查清单

• 是否使用类型注解（typing + pandas-stubs）
• DataFrame参数是否标注列名、dtype要求（建议用pydantic或pandera定义Schema）
• 是否校验：空DataFrame、缺失列、dtype不匹配、索引冲突
• inplace、copy等副作用参数是否语义明确且默认安全

2. 自动化执行步骤

1. 运行 pandera 或 pydantic 对每个函数输入做Schema声明，未声明即标记为缺陷

2. 用 mypy --strict + pandas-stubs 扫描，记录类型错误数量

3. 用 frictionless/great-expectations 抽查输入输出数据契约

三、测试覆盖率审计

1. 覆盖率测量

```

pytest --cov=your_package --cov-report=term-missing --cov-branch

```

• 关注分支覆盖率而非仅行覆盖率（pandas分支逻辑多，行覆盖易虚高）
• 12个模块逐一记录：行覆盖、分支覆盖、未覆盖行号清单

2. 重点测试场景（pandas特有）

• 空DataFrame / 单行DataFrame
• 含NaN、NaT、Inf的数据
• dtype边界：object列混型、category、nullable Int64
• 大数据分块与内存行为
• SettingWithCopyWarning相关链式赋值风险

3. 达标建议

• 核心数据处理函数分支覆盖率建议≥80%（区间参考值，按团队标准调整）
• 低于此阈值的模块列入优先整改清单

四、审计产出物

• Schema缺失清单（函数名+缺失项）
• 覆盖率矩阵（模块 × 行/分支覆盖率）
• 高风险函数列表（无Schema + 低覆盖双重命中）
• 整改优先级排序与责任人分配建议

五、执行节奏建议

先跑自动化扫描出基线报告，再人工复核pandas语义类问题（Schema无法覆盖的隐式行为），预计自动化部分可在一至数个工作日内完成。

需要我提供具体的pandera Schema模板或pytest参数化测试样例，可以继续说明。