用途：面向科研实验的规范化设计，基于实验设计（DOE）方法论规划实验方案并做统计分析准备。
主要能力：涵盖费希尔三原则（随机化、重复、区组）；样本量与功效分析（如双样本 t 检验求解每组样本数）；2^k 全因子设计（生成设计矩阵、随机化运行顺序）；因子实验的方差分析（含主效应、交互作用与 eta 平方效应量）；部分因子设计（2^(k-p)，指定分辨度）；响应面方法中的中心复合设计（编码值转自然单位）；随机化与盲法要点（单盲、双盲、分配隐藏、随机种子记录、区组随机化）；以及 CONSORT、ARRIVE、STROBE 报告清单要点。
必要用法：示例代码中通过 scipy、numpy、statsmodels、pandas、pyDOE2 等库实现，如 power_analysis_ttest(effect_size=0.5, alpha=0.05, power=0.80) 计算所需样本量；create_factorial_design 生成设计矩阵；fractional_factorial_2k 生成部分因子设计；central_composite_design 生成中心复合设计；用 statsmodels 的 ols 与 anova_lm 做因子分析。
适用场景：需要控制混杂、估计实验误差与统计功效的科学实验规划，包括因子筛选、工艺优化与响应面建模。
限制：资料未提供具体工具安装命令、价格、平台支持范围与运行环境要求；部分因子设计代码为固定示例，未给出通用参数化实现细节；实际实验需自行填充响应数据并据领域与伦理要求调整。