質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.34%

  • Python

    9124questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • pandas

    669questions

    Pandasは、PythonでRにおけるデータフレームに似た型を持たせることができるライブラリです。 行列計算の負担が大幅に軽減されるため、Rで行っていた集計作業をPythonでも比較的簡単に行えます。 データ構造を変更したりデータ分析したりするときにも便利です。

  • NumPy

    502questions

    NumPyはPythonのプログラミング言語の科学的と数学的なコンピューティングに関する拡張モジュールです。

SCOREに関与している情報を調べたい

解決済

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 236

kaitotokai

score 43

SCOREに関与している情報を調べたいです。
test2.json に

{"ID":"AW0495","NAME":"Tom","AGE":"30","SCORE":"A","ADRESS":"NY","INCOME":200,"STATUS":0,"CAR":1,"HOUSE":1}
{"ID":"SE2947","NAME":"John","AGE":"21","SCORE":"C","ADRESS":"NY","INCOME":500,"STATUS":0,"CAR":1,"HOUSE":0}
・
・
・
{"ID":"AW0495","NAME":"Tom","AGE":"61","SCORE":"B","ADRESS":"CF","INCOME":320,"STATUS":1,"CAR":0,"HOUSE":1}


と およそ1万件のjsonデータがあります。

import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
import json

with open('test2.json','r') as f:
    js = '[' + ','.join(f) + ']'
    print(js)

df = pd.read_json(js,orient='records')

dummy_df = pd.get_dummies(df[['SCORE','ADRESS']], drop_first = True)
df2 = pd.merge(df, dummy_df, left_index=True, right_index=True)

X = df2.drop(['ADRESS', 'ID','NAME', 'SCORE'],1)


とコードを書いて質量変数をダミー変数に変換しました。
Xの状態は、
イメージ説明

のようになっています。今、スコアはA(良い)〜D(悪い)で4段階にランク分けしており、スコアが高くなる(=Aに近くなる)要因が何かをAGE・ADRESS・INCOME・STATUS・CAR・HOUSEの中から探したいです。ダミー変数になっているところは、1はありで0はなし、という意味です。

やりたいことはhttp://www.randpy.tokyo/entry/python_glm のページと似ているのですが、この後どうコードを書けばいいのかわかりません。
どのようにコードを書けば、SCOREに関与している情報を調べられますか?

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 2

checkベストアンサー

+1

アプローチ方法は2つです。
1.機械学習を用いる
目的変数はスコア(A.B.C.D)というクラスなので、logistic回帰を用いた多クラスモデルを学習させて構築します。その後、各変数(AGE.ADDRESSなど)の係数を見比べて、評価します。なお、係数を横並びに比較するには各変数のスケールを同じにする必要があるので、AGEやINCOMEなどの数値データは0~1に収まるようにスケーリングしてから学習させます。

2.統計の検定を用いる
縦軸にスコア(A.B.C.D)、横軸に評価したいカテゴリー変数(ADDRESSなど)を用いたクロス集計表を作成します。その結果をインプットにしたカイ二乗検定を行い、カテゴリー変数とスコアが従属している可能性を評価します。
次にスコア別に数値データの集計を行い、平均と標準偏差を取得します。各スコア間の平均の差をt検定を用いて行い、スコアが異なると数値データに差が出ること評価します。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

0

重回帰分析して、係数なりF値なりを見ます。

この辺を参考にすれば良いと思います。

誰でも出来る!!scikit-learn(sklearn)で重回帰分析しちゃう

ただし、係数を見るつもりなら入力を標準化しておいた方が無難。さもないと思いっきりスケールに引きずられます。


といってやろうとすると、普通の線形重回帰だと、けっこう気を配ることがたくさんあります。安易に使うと火傷するかもしれません。
(調べると幾らでも出てくる話なので、詳しくは書かないけど・・・。統計とか多変量解析の本を一回読んでから使うことをおすすめします)

なので、あまり事故らない方法を紹介しておくと、決定木のアンサンブル学習系の手法から計算する方法があります。これは(使うだけなら)簡単な割に、適当に使ってもそこそこ信頼できる結果が出るように思います。sklearnの実装だと百分率で出るのも手軽です。ただし相関の方向はわかりませんが・・・(まあ、必要なら別途相関係数を出して符号見とけば良いか)。

参考:
ランダムフォレスト系ツールで特徴量の重要度を測る


というかもしかして、とりあえず相関係数を出せばそれで十分とか?

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/07/04 23:26

    ありがとうございます。参考になります!最終的には、{"ID":"AW0495","NAME":"Tom","AGE":"30","SCORE":90.4,"ADRESS":"NY","INCOME":200,"STATUS":0,"CAR":1,"HOUSE":1}
    {"ID":"SE2947","NAME":"John","AGE":"21","SCORE":45.6,"ADRESS":"NY","INCOME":500,"STATUS":0,"CAR":1,"HOUSE":0}
    のようにスコアの値に実際の数値を入れ、スコアが高いユーザーデータをクラスタリングして、何グループかに分けそのユーザーの特徴を見たいです。例えばスコアが最も高いグループは年収も高かった、など。

    キャンセル

  • 2018/07/04 23:28

    今は、その特徴がスコアに大きく関係するかを見たいのですが、次にグルーピングを行うにはどういう方法だとやりやすいとかありますか?

    キャンセル

  • 2018/07/04 23:39

    スカラーとして得られるなら、もう上位10%とかそんなのでいい気がします

    キャンセル

  • 2018/07/05 00:04

    上位10%を算出し、そのユーザーのクラスタリングをするという事でしょうか?

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.34%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

同じタグがついた質問を見る

  • Python

    9124questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • pandas

    669questions

    Pandasは、PythonでRにおけるデータフレームに似た型を持たせることができるライブラリです。 行列計算の負担が大幅に軽減されるため、Rで行っていた集計作業をPythonでも比較的簡単に行えます。 データ構造を変更したりデータ分析したりするときにも便利です。

  • NumPy

    502questions

    NumPyはPythonのプログラミング言語の科学的と数学的なコンピューティングに関する拡張モジュールです。