chin2017-20200619

個人ページ
N班ゼミ

進捗状況 †

ゼミより抜粋

項目名を出現する地自体ごとにカウントした。
1つの自治体だけに使われている項目名は削除した。
2つの自治体だけのものも削除していよさそうだ。

➡ 2つの自治体だけのものも 全体CSVより抽出：

• times_all_619_no_extract.csv
• 2896個項目名
• 変なデータがあり(項目名として妥当ではないか)
  • Unnamed: 0,1,2,3…(52,51,47個等自治体)
  • 男.1,男.2,男.3,男.4,男.5,男.6…,女.1,女.2,女.3,女.4,女.5,女.6...(8,9個等自治体)
  • 0-4歳の男性,0-4歳の女性,5-9歳の男性,5-9歳の女性,10-14歳の男性,10-14歳の女性,15-19歳の男性,15-19歳の女性...(6個等自治体)
  • 1歳,2歳,3歳,4歳,5歳,6歳,7歳,8歳,9歳,10歳...(3,4,5個等自治体)
  • 数字関連：3,600,1,217、 - .1,-.30,-.31,-.32,―.2,―.3(3個等自治体)、70〜74(5個等自治体),○.1,○.2,○.3,○(4,5個等自治体)
  • 年、月、日付、年度、時間：2016年(3個等自治体)、201604(13個自治体)、23年度(5個等自治体)、２月～９月(13個等自治体)、H16～H22(4個等自治体)、6時,7時～21時(3個自治体)
  • 県名：宮城県、秋田県、山形県、栃木県(3個等自治体)
  • 事業所数.27～35(3個等自治体)
• 除外処理する必要である
  • 正規表現で除外

    re.search('^[Ａ-ＺA-Za-zａ-ｚⅠ-Ⅹ0-9０-９%％×,，.．:：\"’〜～―ー－−‐○〇…〒　 	-]+$',item)#記号・英語・数字等

• 上記の正規表現で除外したデータ(項目名):1434個項目名
  • times_all_619_2times_re_2.csv
  • extract_data_alllist_item_name_2.py
  • 残った変な項目名
    • 事業所数.1,2,3,4,5...（個数：113）
    • 0-4歳の男性,0-4歳の女性…80-84歳の男性,80-84歳の女性（個数：36）
    • 従業者数.1~19（個数：19）
    • 6時、7時、8時～23時（個数：19）
    • 平成25年度,平成17年度,平成21年度...（個数：58）
    • 21年度,2009年度...（個数：51）
    • 県名：宮城県、栃木...(3個等自治体→個数：24)

➡上記より

if re.search('^[Ａ-ＺA-Za-zａ-ｚⅠ-Ⅹ0-9０-９%％×,，.．:：\"’〜～―ー－−‐○〇…〒　 	-]+$',item):#記号・英語・数字等
           return False
elif re.search('[.]+[0-9０-９]+$',item):#特殊文字:事業所数.1,従業者数.1
          return False
elif re.search('[0-9０-９]+[歳|年|年度|月|時|歳代|の男性|の女性]+(以上)?$',item):#特殊文字
          return False

• 除外したデータ(項目名):1110個項目名
  • times_all_619_2times_re_3.csv
  • extract_data_alllist_item_name_2times.py

➡ 3つの自治体だけのものへ変更 †

• 除外したデータ(項目名):616個項目名
  • times_all_619_3times_re.csv
  • extract_data_alllist_item_name_3times.py
• 実際の処理したCSVファイルを確認し、気になる項目名は

  1〜4人,
  5〜9人,
  10〜19人,
  20〜29人
   小学生,
  中学生,
  高校生,
  要支援1,
  要介護1,
  要介護2,
  要介護3
  要介護4,
  要介護5
  区分
  区　分
  区　　分
  区　　　分
  男
  女
  男（人）
  女（人）
  人口（総数）
  人口
  総数
  総　数
  総　　数
  総数[人]

• 空白を削除

  name =name.replace('　', '').replace(' ', '')#空白を削除
  re.search('[0-9０-９]+[歳|年|年度|月|時|歳代|の男性|の女性]+(以上)?$',item):#特殊文字➡「人」を追加
  re.search('[0-9０-９]+[人|歳|年|年度|月|時|歳代|の男性|の女性]+(以上)?$',item):#特殊文字

• 除外したデータ(項目名):635個項目名
  • 616個より増える
  • 理由として、上記のCSVより減ったと思うが、 2つの自治体以下の項目名から「３つの自治体以上」へ変更され、残っていると考えられる
  • times_all_619_3times_re_2.csv
  • extract_data_alllist_item_name_3times_2.py
  • 上記の正規表現、空白の除外も同様で(2つの自治体以下)処理すれば
    • 除外したデータ(項目名):1156個項目名
    • times_all_619_2times_re_4.csv
    • extract_data_alllist_item_name_2times_4.py

疑問 †

• 下記の項目名はまとめる必要でしょうか？

  要介護1
  要介護2
  要介護3
  要介護4
  要介護5
  →要介護？

クラスタリング †

• クラスタ数：50 label_average_cosine_50_cluter.csv
• クラスタ数：150 label_average_cosine_150_cluter.csv