给出示例，用python画出Xbar-R控制图，并根据8种控制图的判异规则判断数据是否有异常，输出是否异常的结论。

要使用Python绘制Xbar-R控制图，我们可以使用matplotlib库来进行绘图，并用numpy库进行计算。下面我将给出一个简单的示例代码，这个示例基于模拟数据来生成Xbar-R控制图，并根据常见的控制图判异规则进行简单的异常判断。

首先，我们需要导入必要的库：

import numpy as np
import matplotlib.pyplot as plt

然后，我们需要生成一些模拟数据，例如，我们有一组数据，每组包含5个子组，每个子组有4个观测值：

# 模拟数据
data = [
    [18, 17, 19, 17],
    [14, 16, 14, 15],
    [17, 15, 18, 16],
    [19, 20, 19, 18],
    [16, 17, 15, 16],
    [18, 17, 19, 18],
    [15, 16, 15, 14],
    [17, 18, 16, 17],
    [19, 17, 18, 19],
    [16, 15, 17, 16]
]

# 计算每个子组的平均值和范围
subgroup_means = np.array([np.mean(subgroup) for subgroup in data])
subgroup_ranges = np.array([np.max(subgroup) - np.min(subgroup) for subgroup in data])

# 计算所有子组的平均值和整体范围的平均值
xbar_mean = np.mean(subgroup_means)
r_mean = np.mean(subgroup_ranges)

接下来，绘制Xbar-R控制图：

# 设置控制限，这里使用默认的控制限因子，实际情况可能需要根据数据调整
sigma_factor = 3  # 通常控制限的因子是3
ucl_xbar = xbar_mean + sigma_factor * r_mean / np.sqrt(len(data[0]))
lcl_xbar = xbar_mean - sigma_factor * r_mean / np.sqrt(len(data[0]))
ucl_r = sigma_factor * np.mean(subgroup_ranges)
lcl_r = sigma_factor * np.mean(subgroup_ranges)

# 绘制Xbar图
plt.figure(figsize=(10, 5))
plt.plot(subgroup_means, 'bo-', markersize=10)
plt.axhline(y=ucl_xbar, color='r', linestyle='--')
plt.axhline(y=lcl_xbar, color='r', linestyle='--')
plt.title('Xbar Control Chart')
plt.ylabel('Average')
plt.xlabel('Subgroup Number')

# 绘制R图
plt.figure(figsize=(10, 5))
plt.plot(subgroup_ranges, 'ro-')
plt.axhline(y=ucl_r, color='g', linestyle='--')
plt.axhline(y=lcl_r, color='g', linestyle='--')
plt.title('R Control Chart')
plt.ylabel('Range')
plt.xlabel('Subgroup Number')

plt.show()

判断数据是否有异常：

# 异常判断：如果任何点超过了控制限，则认为存在异常
xbar_outliers = np.any(subgroup_means > ucl_xbar) or np.any(subgroup_means < lcl_xbar)
r_outliers = np.any(subgroup_ranges > ucl_r) or np.any(subgroup_ranges < lcl_r)

# 输出是否异常的结论
xbar_conclusion = 'Xbar control chart is normal.' if not xbar_outliers else 'Xbar control chart is out of control.'
r_conclusion = 'R control chart is normal.' if not r_outliers else 'R control chart is out of control.'

print(xbar_conclusion)
print(r_conclusion)

请注意，上述代码中的控制限因子默认使用了3倍标准差的规则，但实际应用中可能需要根据特定的过程能力指数（Cp、Cpk等）或者历史数据来确定具体的控制限。