學習目標：
先備知識：
hplc-py｜從入門到進階
用 Python 看懂、擬合與量化 HPLC 峰。從 tidy CSV 到可重現的 peak table，每一步都用數字判讀。
- 1使用官方 0.2.8 套件與可驗證 API
- 2從峰窗偵測進入 skew-normal 擬合
- 3用官方 R-score 與 Fano ratio 檢查結果
# 從原始資料到峰表
from hplc.io import load_chromatogram
from hplc.quant import Chromatogram
df = load_chromatogram(
"sample.csv",
cols=["time", "signal"]
)
chrom = Chromatogram(df)
peaks = chrom.fit_peaks(
prominence=0.01,
approx_peak_width=5
)
scores = chrom.assess_fit()
chrom.show()
Chromatogram
從原始資料到定量結果
先處理資料與訊號，再擬合與診斷；不要在 fit 尚未通過前直接報告濃度。 點任一步驟的圖，即可直接跳到對應章節。
開始之前：先跑起來，再談原理
不用先會 Python。照下面三步做，10 分鐘內你會看到自己的第一張層析圖。
1安裝套件
需要 Python 3.9 以上。在終端機或 Colab 儲存格執行：
pip install hplc-py
在 Colab 裡要在前面加驚嘆號：!pip install hplc-py
2拿範例資料
一張模擬的飲料層析圖（6 個成分，含一組重疊的肩峰），另附 demo_ground_truth.csv 記錄正確答案——你可以直接檢查 hplc-py 算得準不準。
右邊的 quickstart 會自己生成同一份資料，不下載也能跑；這兩個檔案是給本機作業與後續章節用的。
下載 demo_chromatogram.csv3打開 quickstart
完全自給自足的 notebook：不用下載任何檔案，從上到下按執行就好。上傳到 Colab 即可使用。
下載 quickstart notebook到 Colab → 檔案 → 上傳筆記本
已實測：範例資料與 quickstart notebook 已在
hplc-py 0.2.8 上完整跑過。用預設參數擬合這份資料，6 個峰都找得到，但 assess_fit() 會判定 invalid（R = 0.940）——因為預設 approx_peak_width=5 分鐘，而這份資料的峰只有約 0.5 分鐘寬。改成 approx_peak_width=0.5 後全部峰窗 valid（R = 0.996–1.006）。這就是「參數要由你的資料決定，不能沿用預設值」的第一個實例。課程地圖：12 章 · 三個層級
每章固定包含概念、真實 Python 程式、輸出、量化判讀與形成性練習。
官方與方法學參考
套件版本、API、演算法與定量限制分開查核。