DRUID

5 秒看懂

一眼看到什么

左边是一个测点的逐深度年龄剖面与它被拆出的年龄域，右边是整批的质控判据。 两者都取自示例批次 examples/EX2022A 的真实输出，不是示意图 —— 跑一遍就能复现同样的数字。

01从这里开始

六份文档都是单文件自包含（图表全内嵌），离线也能打开。

02名字取 Depth-Resolved，不是修辞

与只做整段积分的常规流程相比，最大的区别在于：每个测点被当成一条随时间（即随坑深）变化的信号来处理—— 分馏按深度校正、年龄域按深度划分。

下面是同一条流程的细节版：十步流水线，每一步的参数都会写进结果表的「运行参数」页。

"分域"这一步到底改变了什么？三种剖面形态

下面三个都是示例批次里的真实测点，每个点是一个 4 秒滑窗，误差棒是该窗口的 1σ。 同样叫"分域"，三种形态下的结论完全不同。

03三条不轻易改动的设计

每条都来自实测数据的教训。违背它们不会报错，只会悄悄给出错误的年龄。

04一个批次两份文件，六张表

一份 Excel 给人看，一份 .handoff.json 给程序读； 从逐点结果到标样质控再到逐深度剖面，全部参数可追溯。

机读交接文件长什么样

下面是示例批次真实输出的节选（键名与结论原文，未做改写）。

{
  "schema": "druid.handoff/1",
  "verdict": { "level": "warn",
               "counts": { "fail": 0, "warn": 4, "info": 4, "pass": 17 } },
  "checks": [
    { "key": "standards.primary_bias", "level": "pass",
      "criterion": "|偏差| < 1.0%（≥2.0% 判 fail）" },
    { "key": "samples.unresolved_structure", "level": "warn",
      "criterion": "占比 ≤ 50.00%" }
  ],
  "whole_spot": { "n_spots": 48, "n_compatible": 5,
                  "mswd_median": 4.437620781414898 }
}

05先看这三个数

跑完一个批次，别急着解释年龄——先用这三个数判断这一批数据能不能用。 它们是 DRUID 质控层里三条检查项的判据原文，不是我们另写的。

这三个数全过，只说明仪器与标样这一侧没出问题。它们不能告诉你 这份数据该不该拿来定年 —— 那件事见 「什么情况下 DRUID 不适用」。

06与 ADEPT 的接口契约

DRUID 输出的「剖面窗口」表， 可以直接作为 ADEPT 的输入文件。

下表列名就按 ADEPT 的 Format 4 约定取好（Analysis / Time / Age68 / Age68_1s），不用转发、不用改列名。 调用时要显式给四个参数，一个都不能省——ADEPT 刻意不猜数据是否已预处理。

# 「剖面窗口」表 = ADEPT Format 4：Analysis / Time / Age68 / Age68_1s（+诊断列）
adept("EX2022A_U-Pb结果.xlsx",
      lower_ablation_time    = 0,      # DRUID 已切好自己的剥蚀窗口
      upper_ablation_time    = 1e6,    # 上界放到最后一个窗口之后
      smooth                 = "none", # 数据已做 F(τ)，再平滑会抹平真实域边界
      calibration_uncertainty = 0)     # σ 已含外部重现性，再乘 3% 是重复计入

07快速开始

仓库里带着一个匿名示例批次（85 个测点），装好环境就能跑通。

# 跑一个批次：Excel（六张表）+ 一份 .handoff.json（给程序读的质控交接）
python -m druid.cli.reduce_batch --dir examples/EX2022A --out 结果.xlsx

# 秒级自检：不需要 pytest，只需要 numpy / pandas
python tests/run_all.py

# 端到端数值回归（约 1 分钟，核对标样 QC 与年龄分布）
python tests/check_example_batch.py

跨平台

08苹果电脑上怎么用

同位素数据处理的软件，大多最后只能在一台 Windows 机器上跑 —— 要么绑着仪器厂商的采集软件， 要么依赖某个只在 Windows 上编译得出来的库。DRUID 不属于这一类：它只读导出的 CSV / Excel 文本， 从不连仪器；算法层是纯 Python（numpy / pandas / matplotlib / openpyxl / xlrd）， 没有一处编译扩展，也没有任何"如果是 Windows 就……"的分支 —— 三个系统算出来的是同一套数字。 真正会绊住人的不是算法，是三样容易混淆的东西：先分清你手上拿到的是哪一个。

Mac 上最短的一条路：源码 + .command

# 1) 装环境。在含 druid/ 的那一层（包根目录）执行 —— 包与五个依赖一次装好
python3 -m pip install -e .
#    怎么算成功：末行出现  Successfully installed ...

# 2) 双击「启动数据处理工具.command」。它会自己找解释器、检查依赖，
#    再启动本地网页界面。首次被系统拦下 → 见下面第 1 条。

# 3) 窗口里会打印一个 http://127.0.0.1:端口 的地址 —— 用浏览器打开它。
#    之后全程在网页上点：选文件夹 → 看检查报告 → 开始处理 → 下载结果。
#    要退出，直接关掉那个终端窗口。

边界

09什么情况下 DRUID 不适用

结果是要写进文章的，边界越清楚越好用。下面四条不是"以后会修"的 待办，而是使用者必须自己判断的事。