LMEモデルフィッティング R言語編

続き。

LMEモデル推定をR言語を用いて実践してみる。

まずRをインストールし、RGuiを開く。
今回使うパッケージはlme4とlmeTestなので、これらを読み込む。lme4のlmer()関数によってLMEモデル推定を行うが、lme4だけだと固定効果のp値が得られないため、lmeTestを追加で読み込む必要がある。

>Install.packages(“lme4”) #lme4インストール
>library(“lme4”)　#lme4読み込み
>options(repos="http://cran.ism.ac.jp/")
>install.packages("lmerTest")　#lmerTestインストール
>library(“lmerTest”) #lmerTest読み込み

次にデータを読み込んでみる。今回、4人の学生の勉強日数と点数のテストデータをCSVファイルで用意した。

> s_data <- read.csv("score_data.csv")
> s_data
   subject days    Score
1        0   10 97.88387
2        0    8 98.59650
3        0    6 97.65732
4        0    4 96.16080
5        0   10 99.59362
6        0    8 97.77845
7        0   10 98.22498
8        0   10 98.04627
9        0    8 98.25393
10       0   10 97.46261
11       0    6 98.18022
12       0    4 96.99735
13       0   13 97.90047
14       0    6 98.66602
15       0   15 98.52445
16       0   12 97.65170
17       0    8 97.65037
18       0   14 98.28197
19       0   11 97.47814
20       0   10 98.51969
21       0   11 98.76532
22       0    8 97.27131
23       0    6 98.02530
24       0   10 98.52534
25       0   14 99.38336
26       0    4 94.42770
27       0    7 98.01417
28       0   12 98.10540
29       0    4 97.87208
30       1   10 97.82623
31       1   10 96.94224
32       1   14 98.31716
33       1   13 95.45953
34       1   18 96.94513
35       1   11 93.20422
36       1    6 94.51405
37       1    8 91.38044
38       1   16 93.66502
39       1    6 93.81745
40       1   13 97.06315
41       1    8 96.63337
42       1   11 96.66075
43       1    9 96.37080
44       1   13 98.71230
45       1   18 97.57873
46       1    5 94.33944
47       1    7 94.78274
48       1   17 97.75903
49       1   11 96.82348
50       1   17 97.77848
51       1    5 91.73288
52       2   15 90.96240
53       2   12 91.43013
54       2   15 96.27122
55       2   14 93.39732
56       2   18 92.99953
57       2   11 93.39127
58       2    9 91.33970
59       2    5 87.46454
60       2   18 91.80603
61       2    4 90.71793
62       2   10 91.20598
63       2    4 90.24194
64       3    5 90.67530
65       3   17 95.64061
66       3   14 97.77640
67       3   15 96.77373
68       3   14 95.39185
69       3   14 97.48028
70       3    5 91.10883
71       3    4 88.89533
72       3   10 95.65205
73       3    5 92.51790
74       3    6 89.78949
75       3   14 94.84116
76       3   15 96.99177
77       3   13 95.21246

グラフにplotすると

>plot_data <- function(x){
for (i in 1:nrow(x)){
plot(x[i,2],x[i,3],col=x[i,1]+1,xlim=c(min(x[,2]),max(x[,2])),ylim=c(min(x[,3]),max(x[,3])),ann=F)
par(new=T)
}
}
>plot_data(s_data)

各学生の勉強時間（横軸）とテストの点数（縦軸）

さて、ここからが本題であるが、lmer関数でLMEモデル推定を行う。

第一引数にモデル関数、第二引数に解析データの行列を入れる。

 モデル関数の表記は以下のように行う。Yは従属変数ラベル、Xi(i=1,2,…)は説明変数ラベル（切片は省略するが、切片のみを記述する場合は１を入れる）、Ci(i=1,2,…)はクラスタラベルである

Y~X1+X2+X3…+(X1'+X2'+…|C1)+(X1"+X2"+…|C2)+…

例えば、上記のデータで、勉強日数に応じて点数が変化するようなモデルを考える。
勉強日数の係数（傾き）が学生共通で一定（固定効果）で、切片は学生それぞれに対して変わる（変量効果）ような場合、

Score~days+(1|subject)

となる。従って、

lmer(Score~days+(1|subject),data=s_data)

で推定が行える。結果を見るには、

> test_model1 <- lmer(Score~days+(1|subject),data=s_data)
> summary(test_model1)

とすれば見ることができる。
推定結果の見方を説明する。

Linear mixed model fit by REML t-tests use Satterthwaite approximations to
  degrees of freedom [merModLmerTest]
Formula: Score ~ days + (1 | subject)
   Data: s_data

REML criterion at convergence: 297.1

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-2.4714 -0.6311  0.1049  0.7079  2.1640 

Random effects:
 Groups   Name        Variance Std.Dev.
 subject  (Intercept) 8.186    2.861   
 Residual             2.232    1.494   
Number of obs: 77, groups:  subject, 4

Fixed effects:
            Estimate Std. Error       df t value Pr(>|t|)    
(Intercept) 91.59004    1.51029  3.61000  60.644 1.48e-06 ***
days         0.31828    0.04266 72.11000   7.461 1.53e-10 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
     (Intr)
days -0.298

赤文字にした部分が変量効果（Random effects）、固定効果（Fixed effects）についての記述。
変量効果については、切片（Intercept）の変量効果における正規分布の分散(Variance)と標準偏差(Std.Dev)が記してある。
固定効果については、dayの係数と切片について、推定した値（Estimate）とP値（Pr）が記してある。
固定効果についてはfixef()で、それぞれのクラスタにおける変量効果についてはranef()で参照できる。

> fixef(test_model1)
(Intercept)        days 
  91.590043    0.318283 
> ranef(test_model1)
$subject
  (Intercept)
0   3.4623447
1   0.6747299
2  -3.3261432
3  -0.8109314

傾きにも変量効果を加えて再度推定してみる。

> test_model2 <- lmer(Score~days+(days|subject),data=s_data)

plotしてみる

>lmer_plot <- function(x,y){
rmat <- ranef(y)
fmat <- fixef(y)
for (i in 0:max(x[,1])+1){
func_buff <- function(x){(fmat[2]+rmat[[1]][i,2])*x+(fmat[1]+rmat[[1]][i,1])}
plot(func_buff,xlim=c(min(x[,2]),max(x[,2])),ylim=c(min(x[,3]),max(x[,3])),col=i,ann=F)
par(new=T)
}
fix_func <- function(x){fmat[2]*x+fmat[1]}
plot(fix_func,xlim=c(min(x[,2]),max(x[,2])),ylim=c(min(x[,3]),max(x[,3])),lty=2,ann=F)
par(new=T)
}

>lmer_plot(s_data,test_model2)

点線：固定効果モデル
各実線：それぞれの学生の混合効果モデル

また、切片、傾きそれぞれの変量効果の確率分布をplotすると次のようになる。

切片（定数項の係数）の確率分布

傾き（daysの係数）の確率分布

【Ubuntu12.04】Latexのパッケージ（footmisc）導入

そもそもlatexのパッケージ導入自体初めてのような。。。

Ubuntu12.04では/etc/texmf/texmf.confに設定ファイルがあるので、設定ファイルを開いてパスを確認。

TEXMFHOME = $HOME/texmf

ローカルパッケージを入れたことがなければディレクトリ自体ないと思うので、以下のコマンドでディレクトリを作成する

$ mkdir -p ~/texmf/tex/latex

作成したディレクトリにスタイルファイル（～.sty）を入れて、

$ mktexlsr ~/texmf

で導入完了。texファイルに￥usepackage{～} で使える。

---

~footmiscの場合～

以下のリンクのDownloadからzipをダウンロードして適当なところで展開する。
http://www.ctan.org/tex-archive/macros/latex/contrib/footmisc

展開したディレクトリ内で

$ platex footmisc.ins

 を実行するとfootmisc.styができるので、これを先ほどの~/texmf/tex/latexに移動してmktexlsrすればよい。

ただ、いざfootnoteを使おうとすると、

！Package footmisc Error: Can't define commands for footnote symbol.

と起こられてしまう。Hでhelpを見ると

Use e-LaTeX, or load package fixltx2e before footmisc

 どうやらfixltx2eというパッケージを入れなければならないようなので、以下のリンクのSourcesからfixltx2e.styをダウンロードする。
http://www.ctan.org/pkg/fixltx2e

同様に~/texmf/tex/latexに移動、mktexlsrする。

texファイルに￥usepackage{fixltx2e}を追記すればfootnoteが使えるようになる。

統計初心者でも2分で雰囲気理解できるLME（線形混合）モデル

この文章の主旨

• 統計初心者が統計の雰囲気を理解する
• 統計初心者がLMEモデルの雰囲気を理解する

※素人なので内容の正しさについては保証しかねます
※統計を全く触れたことない人は、〔青文字〕は読み飛ばしてください

---

Q&A

Q.統計ってなあに？
A.「おっぱいの大きい子は優しいってホント？」「二郎系ラーメンの致死量は？」そういう疑問を実際のデータから解決することです

Q.LMEモデルとは？
A.統計の本などにもあまり載っていなく、統計モデルの中でも2番目くらいに扱いが難しいと言われているモデルです〔1番は階層ベイズモデル〕。ただ、雰囲気だけ（一変数一次）ならなんとか理解できるはず。。。。

---

簡単のため、一変数一次の場合について考えてみる。
学生の勉強時間とテストの点数を例にとる。

あるAさんについて、複数のテストを行わせ、その勉強時間と点数に関してプロットしたところ、次のようになった。

このとき、〔線形モデルで〕

点数=a×勉強時間+b+ε

aは傾き　bは切片　εは誤差

と表現でき、「Aさんは勉強すればするほど高い点数がとれる」ということが分かる。
また、ここから色々頑張ると、この結果が偶然起こり得るかどうかを確認することもできる。

このように、
①モデル（どのように表現するか）
②有意かどうか（偶然起こったのではないか）
を調べたい。

次に、同様に14名の学生に関して、勉強時間と点数をプロットすると、次のようになった。

このとき、学生によって傾き（点数の上がり方）や、切片（勉強をしなくても取れる点数）は異なるものの、全ての学生が勉強するほど点数が上がっており、「すべての学生が勉強時間に比例して点数が上がる」ことは言えそうである。

このまま学生という括りを無視し、全てのデータを統合してしまうと、次の図のようになり、
勉強時間と点数の間に、関係は確認されなくなってしまう。〔回帰式は勿論、相関係数も有意にはならない〕

これでは「すべての学生が勉強時間に比例して点数が上がる」ことは言えない。
学生によって傾きや切片が異なる要因が明確で、測れるものであれば、その要因を変数にとることで、モデル化できる〔重回帰分析等〕が、この場合これは難しい。
単に頭の回転が速いのかもしれないし、効率の良い勉強方法を知っているのかもしれないし、親の教え方が上手いのかもしれない。分からない。

また、この例と逆に、統合したデータでは傾向が見られても、実状全く意味を持たない結果であることもある。
〔有意な回帰式や相関係数が見られても、グループ内で有意でなければ意味がない。勿論、安直に正規化したり、相関係数の平均をとったりしてはいけない〕

このように、「学生Aさん」等の、グループ毎では全てある傾向を示しているものの、違うグループでは傾きや切片といったパラメータが異なり、かつパラメータが異なる要因が明確でない場合、LMEモデルを用いるのが適切である。

先の勉強時間と点数の例を、一変数一次のLMEモデルで表現すると、次のようになる。

点数=（a_f + a_r）×勉強時間+ (b_f + b_r)+ε

a_f,a_rは傾き　b_f,b_rは切片　εは誤差

a_fおよびb_fを固定効果（fixed effect）、a_rおよびb_rを変量効果（random effect）と呼ぶ。
固定効果はグループ間で共通しているパラメータ、変量効果はグループ内で共通しているパラメータである。
勉強時間と点数の例でいえば、変量効果が「個人差」を表している。

LMEモデルの利点は、「変量効果」を取り入れることで、個人差等の、実状がよくわからないような「ランダムな要素」も組み込んで表現できる点である。

LMEモデル解析はRのlmerを使うと簡単にできます。
いつか詳しく説明しますが、とりあえずサンプルコードを張っておきます。

---

実際にRを用いて混合モデル解析をやってみる。（サンプルデータの内容はあまり気にしないで）

$ install.packages("lme4")　#パッケージのインストール
$ library("lme4")  #インポート 

$ data1 <- read.csv("test.csv")　#サンプルデータ（CSVファイル）の読み込み
$ data1
   subject difficulty pupil

1        1        0.1  70.0
2        1        0.2  71.0
3        1        0.3  72.0
4        1        0.4  73.0
5        1        0.5  73.5
6        1        0.6  75.0
7        1        0.7  74.0
8        1        0.8  76.0
9        1        0.9  79.0
10       2        0.1  72.0
11       2        0.2  74.0
12       2        0.3  76.0
13       2        0.4  78.0
14       2        0.5  79.5
15       2        0.6  82.0
16       2        0.7  82.0
17       2        0.8  85.0
18       2        0.9  89.0
19       3        0.1  73.0
20       3        0.2  74.5
21       3        0.3  76.0
22       3        0.4  77.5
23       3        0.5  78.5
24       3        0.6  80.5
25       3        0.7  80.0
26       3        0.8  82.5
27       3        0.9  86.0

$ model1 <- lmer(pupil ~ difficulty + (difficulty|subject),data=datas)　#LMEモデル解析にかけて結果をmodel1へ
$ summary(model1)　#解析結果を見る（t値しか出ないので注意）

Linear mixed model fit by REML ['lmerMod']
Formula: pupil ~ difficulty + (difficulty | subject)
   Data: datas
REML criterion at convergence: 79.8
Scaled residuals:
     Min       1Q   Median       3Q      Max
-1.92414 -0.30170  0.05265  0.42106  1.92576
Random effects:
 Groups   Name        Variance Std.Dev. Corr
 subject  (Intercept)  1.1758  1.0843    
          difficulty  23.7130  4.8696   0.60
 Residual              0.7722  0.8788    
Number of obs: 27, groups:  subject, 3
Fixed effects:
            Estimate Std. Error t value
(Intercept)  70.1389     0.7265   96.55
difficulty   14.5000     2.8868    5.02
Correlation of Fixed Effects:
           (Intr)
difficulty 0.397 

---

参考
http://oku.edu.mie-u.ac.jp/~okumura/stat/meta.html
http://ja.wikipedia.org/wiki/%E6%B7%B7%E5%90%88%E3%83%A2%E3%83%87%E3%83%AB
http://www.lowtem.hokudai.ac.jp/plantecol/akihiro/obenkyou/GLMMexample.pdf　著者（隅田）
http://www.slideshare.net/yutamura1/ss-42303827?ref=http%3A%2F%2Fsssslide.com%2Fwww.slideshare.net%2Fyutamura1%2Fss-42303827

【windows7】パーティション縮小のためのデフラグと不要な移動負荷ファイルの削除

HDDからSSDに換装しようと思ったが、SSDに付いて来たSamsung Data Migrationがデフラグ中にエラーで中断するので、EASEUS TODO BACKUPで頑張ってみる

まず、HDDの状態確認のために以下のリンクからMydeflagをダウンロード＆インストール
http://www.mydefrag.com

「Analyze only」でHDDの状態を確認する。おそらく、論理クラスタ番号が大きい部分（可視化画面で上の方）に移動不可ファイルがたまっている（可視化画面のピンク線）。マウスポインタを合わせるとパスが確認できるので、移動不可ファイルの内容を確認しておく。

まずやるべきことをリストアップする
①デフラグソフトで移動不可で不要なファイル（system volume informationとかCSCとか）を削除する
②HDDの縮小作業のためにデフラグする
③元HHDのパーティションをターゲットSSDの容量より縮小させる

---

①デフラグソフトで移動可能なファイルを削除する
system volume informationは、自動復元ポイントです。削除すると、復元出来なくなるので注意。

• 以下を参考に不要な自動復元ポイントを削除する。

http://www.office-qa.com/win/win141.htm

• 確認のため、以下を参考にsystem volume informationに管理者のアクセス権限を追加

http://www.nzs.info/tip/Windows/Tips_Windows_Defrag_SystemVolumeInfo_20121012.html

• コマンドラインを管理者権限で開き、

$ cd C:¥"system volume information" 

復元ポイントファイル（{英数字の羅列}）削除を確認

次に、CSCを削除する。CSCはネットワーク共有フォルダのオフラインキャッシュである。

• コントロールパネル▶︎同期センター▶︎オフラインファイルの管理▶︎オフラインファイルを無効にする▶︎再起動　（これをしないとオフラインキャッシュにアクセスできない）
• 管理者権限でコマンドプロンプトを開き、
  $ takeown /r /f C:\Windows\CSC
  $ rd /s C:\Windows\CSC

その他、移動不可ファイルで不必要なファイルを随時削除する

---

②HDDの縮小作業のためにデフラグする
Mydeflagで「Consolidate free space」を実行する。
実行後も移動不可ファイルが上部に溜まっているようなら、システムファイルを移動出来る有料のデフラグソフトを使った方がいいかも。

---

③HDDのパーティションを縮小させる
スタート▶︎検索窓に「ハードディスク」▶︎ハードディスクパーティションの作成とフォーマット
Cドライブを選択し、右クリック▶︎パーティションの縮小
ターゲットSSDよりも容量を小さくする

---

これで大体900GBまでしか縮小できなかったパーティションが400弱まで縮小できた。
しかし本題のクローン作業でEASEUS TODO BACKUPでのクローンでは「セクターの読み込みに失敗しました」とエラーが。。。
どうやらいじっているうちに不整合が起こったみたいなので、CHKDSKを実行してみる（死ぬほど長い）

本題のクローン作業については次回

【就職活動】選考で面接官を納得させるための自己・企業間論理付けモデル

「企業研究や自己分析って何したらいいの？どこまでしたらいいの？」というのは就活生の常の悩みかと思う。

説明会等の表面的な部分で留まってしまうのも良くないし、かといって具体的な数字や事例に懲りすぎてしまうのも時間が勿体ない。

選考に入り、ESが書けない、質問で詰められると答えられない等の状況を回避するためにも、最低限調べるべき＆考えるべき企業と自己間の関係を以下にモデル化した。

自己・企業間論理付けモデル

文系学生はしっかりしたストーリーが用意できているものの、ロジックが通っていないことが多いし、

理系学生はロジックを組み立てて満足し、ストーリーが甘い場合が多い。

私も実際、後者だった。

「これこれこういう理由であなたと私はマッチしている。」というロジックを固めることに注力しすぎていて、実際ESに「私自身」が見えなかった。

要は、信用に欠けることが問題だった。根拠が理路整然としすぎて、納得できないのだ。

ストーリーは根拠付けに使用する

ESや面接では経験を問われることが多いので、自分の長所や欲求を活かしたストーリーを用意しておくのは至極当然のように思うが、加えて「なぜそうなったのか」というストーリーは人間味（＝納得感）を生むために同様用意すべきである。

これがないと、「私はこういう人間なんです。実際にこういう行動もしました。御社にマッチしてますよ～」で終わってしまう。

これは企業研究さえできていれば誰にでも（よっぽど論理アレルギーじゃない限り）言えるレベルで終わってしまう。成果経験はいくらでもこじ付け可能だからである。

例えるなら、論文のアブストだけを伝えているような状態、といったら分かり易いだろうか。

ここで勘のいい人は「自分の欲求や長所を根拠付ける要素なんて特定できない」と考えると思う。

これは正解である。大抵の人間は「こういうイベントが起きたからこういう人間になった」なんて明確な要素は持ち合わせていない。

なんとなく、様々な要素が影響し合ってできている場合が殆どだろう。全て挙げるのは無理だ。

自分の欲求や長所を根拠付ける本来の目的は「納得感」を高めることであった。

だからこそ「要素」でなく「ストーリー」形式なのである。

代表的なものやきっかけ程度でよいので挙げてみて、それを面接官が想像できる形（ストーリー）にして納得感を高める。

逆に言えば、要素をいくら並べた所で面接官が納得できなければ意味がない。

「確かにその状況であればそうなりますね」と面接官が想像できればそれでよい。

モデルの活用例

先のモデルに則して論理を組み立てた例を下図に示す。
さっき適当に考えたので内容が抽象的すぎるが、大体こんな感じでまとめてみるといい。
このように図を埋めた後、各要素をより具体化していく必要がある。

WindowsVista eqlipseへのpython開発環境構築

研究室のノートPCのHDD空き容量が心元なかったので、あらかじめ入っていたEqulipseに
python環境を構築することにしました。

☆参考サイト様☆
http://ameblo.jp/undying/entry-10572118044.html
http://www.isl.ne.jp/pcsp/python/python03.html

windows eclipseでpython環境

(1) pythonのインストール
http://www.python.jp/Zope/download/pythoncore
から好きなものをダウンロードしてインストール
※Windows用インストーラ　python-3.3.0.msi　を使用しました。
プログラムファイル -> python.exeでコマンドラインプロンプトを起動できればOK

(2) eclipseインストール
　　適宜好きなバージョンをインストールしてください。
　　今回は元々入っていたEqulipseを使用するので割愛
　　Eclipse SDK　Version: 3.7.2です。

(3) PyDevのインストール
ヘルプ→ソフトウェア更新
サイトの追加で・・・「http://pydev.org/updates 」を追加します。
表示した画面で、次の手順を行います。
①「作業対象」に「http://pydev.org/updates」を入力してEnterを押す。
②「PyDev」「Pydev Mylyn統合(オプション)」が表示するので、両方にチェ　ックを入れる。
③「次へ」を選択する。

(4) 初期設定
①Eclipseのメニューより、「ウィンドウ」→「設定」を選択します。
②設定画面が表示するので、「python(左側のチョボ)」→「インタープリンター-Python」→「新規」を選択　します。
③以下、（１）でインストールしたpythonの名前と、実行可能ファイルのパスを指定します。
僕の場合は以下のように入力
インタープリター名：python 3.3.0

実行可能ファイル：C:\Python33\python.exe

④OKをクリック

(4) djangoのインストール（pythonフレームワーク）
①http://www.djangoproject.com/download/
からダウンロードしてインストール
②tar.gzを展開し、コマンドプロンプトを開き、そのディレクトリに移動(dirやcdで)
③C:\Python33\python.exe setup.py install　を実行してインストール
※pythonは(1)でインストールした実行可能ファイルのパスを指定

(5) pathの設定
Windowsキー+Pauseを同時押しでシステムウィンドウを開く

↓
システムの詳細設定をクリック
↓
詳細設定タブで環境設定ボタンをクリック
↓
下の枠内のシステム環境変数で”Path”という変数をクリック
↓
編集ボタンを押して

C:\Python33\;C:\Python33\Scripts\;

を追加

Windows7 VirtualBox,Ubuntu導入、画面解像度、学内プロキシ設定

とりあえず研究室のPCに仮想マシンを立ててUbuntu導入（以下参照）

http://www.ubuntulinux.jp/download/ja-remix-vhd

そしていつもこの後なにかしらトラブるんですが、今回は以下で詰まった

☆画面解像度が小さい☆
初期で画面解像度が2種類しかなく、VirtualBoxのウィンドウを大きくしてもUbuntuの画面は小さいまま。
ググってみると以下の記事が。

http://blogs.yahoo.co.jp/destrade_39/22859830.html

この記事のvboxadditionsのディスク導入まではやったけれど、

☆apt-getでソフトウェアソースへ接続できない☆ことに気づく。
ググるとソフトウェアソースを変えるとうまくいくらしいのだが、どのソースでも繋がらない。

よって、そもそもネットワーク接続ができていないのではと思い、
よくよく考えたらプロキシ設定ができていなかった 笑
学内ネット○ね。

Ubuntuでのkuins.netへの接続の方法は以下の通り

システム設定→ネットワーク設定→ネットワークプロキシ
メソッドを手動、
HTTPプロキシにproxy.kuins.net、ポート番号8080
システム全体に適用するをクリック。

これでOKのはず。

ちなみにfirefoxは

編集→設定→詳細→接続設定
手動でプロキシを設定する、HTTPプロキシにproxy.kuins.net、ポート番号8080
OKをクリック

ネットワーク設定はOKのはず。

apt-getも繋がった。

んで、そもそもの画面解像度はOS再起動するとふつうに大きくなった。
マジ謎。

財閥について

就職活動もひと段落し、財閥について調べてみたくなった。
軽くまとめてみる。

この企業ってこの系列だったんだ！みたいな発見が結構ある

GHQの指定した15大財閥と、現在の関連企業。

• 三菱財閥（創業者: 岩崎弥太郎）―日本最強の財閥。組織の三菱、独裁政治。ちなみに三菱鉛筆は三菱系じゃない。

三菱グループ御三家

三菱商事、三菱重工業、三菱東京UFJ銀行

三菱地所、三菱化学、三菱倉庫、三菱総合研究所、三菱自動車工業、旭硝子等

• 住友財閥（創業者: 住友政友）―世界最古の財閥。平家がルーツ。三井との合併会社も多い。結集の住友。

旧住友御三家

三井住友銀行、新日鐵住金、住友化学

新住友御三家

住友商事、住友電気工業、NEC

ヤマハ、住友３M、住友化学、住友林業、SCSK等

• 三井財閥（創業者: 三井高利）―三井越後屋がルーツ。人の三井、番頭政治。

三井御三家

三井住友銀行・三井物産・三井不動産

SMBC系、NTT系、ソニー、IHI、サッポロビール、トヨタ自動車、東芝、パナソニック、三越伊勢丹

• 安田財閥（創業者: 安田善次郎）

みずほ銀行、安田不動産、東京海上日動火災保険、ヒューリック等

以上が4大財閥。

• 鮎川財閥（創業者: 鮎川義介）―日産コンツェルンとも呼ばれる。日産、日立グループ等

日立製作所、JXグループ、損保ジャパン、日産自動車等

• 浅野財閥（創業者: 浅野総一郎）

JFEエンジニアリング、太平洋セメント、東亜建設工業等

• 古河財閥（創業者: 古河市兵衛）―あの有名な足尾銅山の成功で大きくなる。

富士通、古川機械金属、古河電気工業、朝日生命保険、横浜ゴム等

• 大倉財閥（創業者: 大倉喜八郎）

大成建設、帝国ホテル、リーガル、ニッピ

• 中島財閥（創業者: 中島知久平）―中島飛行機から。ほどんど残ってない。

スバル（富士重工業）、THKリズム、マキタ等

• 野村財閥（創業者: 野村徳七）

野村證券、野村貿易、野村総合研究所、りそな銀行、大阪ガス、朝日火災海上保険

以上が10大財閥。
渋沢財閥（創業者: 渋沢栄一）
神戸川崎財閥（創業者: 川崎正蔵）
理研コンツェルン（創業者: 大河内正敏）
日窒コンツェルン（創業者: 野口遵）
日曹コンツェルン（創業者: 中野友禮）

を足して15大財閥

LAILAHP

大分前の制作物。飲食店のHP。
なかなかひどい。

http://laila.daa.jp/

足跡で繋がるコミュニケーションサービス「Footplink」

ハッカソンでの制作物。

kinectで取得した遠隔地の人の位置をプロジェクタで足跡として投影するアプリケーション。

「なんとなく繋がっている」感覚を与え、安心感を生むのが狙い。

詳細は以下スライドにて。

Footplink publish from Yuta Tange

入力側インストーラ：KinectInputClient_v1.0.0.msi

http://laila.daa.jp/creation/Footplink/KinectInputCli ent_v1.0.0.msi

※KinectSDKのインストールが別途必要

出力側インストーラ：Footplink_Output_v1.0.0.msi

http://laila.daa.jp/creation/Footplink/Footplink_Ou tput_v1.0.0.msi

※Python,Djangoのインストールが別途必要

マイナー飲料を試してみた

ビブレのビブレキッチンの品揃えに感動したので、
マイナー飲料としての有名どころ（？）を飲んでみました。

試したのは以下の４種類。

A＆Wルートビアー
A＆Wクリームソーダ
INCAコーラ
ドクターペッパー

A＆Wルートビアー

ゲロマズ。もう本当に恐ろしいほどゲロマズ。人間の飲み物じゃない。

味はサロンパス。サロンパスソーダ。飲んだ瞬間リバース。
A＆Wクリームソーダ

ゲロウマ。うますぎて写真撮る前に飲み干してしまった。

色は茶褐色の透明だけど、味はクリームソーダ。あまーいクリームの炭酸。
INCAコーラ

これまたうまい。どうやらペルー人は毎日のようにこれをジャブジャブ飲んでいるらしい。

味はコーラというよりも、ドデカミンとかのエネルギー炭酸飲料の味。
ドクターペッパー
某アニメの影響で最早マイナー飲料でもなくなってきたドクペさん。

杏仁豆腐コーラ味。安定。

Processingによるカクテルの味と人気の可視化

概要

代表的なカクテルのwebサイト(カクテルタイプ：http://www.cocktailtype.com/)　での閲覧数の視覚化、

およびそれぞれのカクテルの味の視覚化

コード

import de.bezier.data.sql.*;

import controlP5.*;

MySQL mysql;

MySQL mysql2;

ControlP5 cp5;

String[] name = new String[100];

int[] id = new int[100];

int[] strength = new int[100];

int[] briskness = new int[100];

int[] sweetness = new int[100];

int[] rank = new int[100];

int[] refer = new int[100];

int i = 0;

int maxi = 0;

int clickid = 0;

void setup(){

size(700,600);

mysql = new MySQL(this,"localhost","cocktail","root","");

if(mysql.connect()){

mysql.query("select * from cocktail_table");

while(mysql.next()){

name[i] = mysql.getString("name");

id[i] = mysql.getInt("id");

strength[i] = mysql.getInt("strength");

briskness[i] = mysql.getInt("briskness");

sweetness[i] = mysql.getInt("sweetness");

println(name[i] + " " + id[i] + " " + rank[i] + " " + strength[i] + " " + briskness[i] + " " + sweetness[i]);

i = i + 1;

}

maxi = i;

mysql2 = new MySQL(this,"localhost","cocktail","root","");

mysql2.connect();

for(int u = 0;u < maxi;u++){

println("select * from ranking_table where name = \"" + name[u] + "\" ");

mysql2.query("select * from ranking_table where name = \"" + name[u] + "\" ");

mysql2.next();

rank[u] = mysql2.getInt("rank");

refer[u] = mysql2.getInt("refer");

println(name[u] + " " + rank[u] + " " + refer[u]);

}

cp5 = new ControlP5(this);

cp5.addButton("ALL")

.setId(0)

.setPosition(600,10)

.setSize(100,25);

for(int j = 0;j < maxi;j++){

cp5.addButton(name[j])

.setId(j+1)

.setPosition(600,j*20+35)

.setSize(100,20);

}

}

}

void draw(){

background(0, 0, 0);

fill(0,0,0);

stroke(255,255,255);

triangle(250,100,50,450,450,450);

fill(255,255,255);

text("strength",250,80);

text("briskness",400,475);

text("sweetness",0,475);

//(250,100 250,450) -> 250,333

fill(0,0,0);

ellipse(250,333,5,5);

if(clickid == 0){

for(int k = 0; k < (maxi); k++){

int st = strength[k];

int br = briskness[k];

int sw = sweetness[k];

int upx = 250;

int upy = 333+(100-333)*st/3;

int rightx = 250+(450-250)*br/3;

int righty = 333+(450-333)*br/3;

int leftx = 250+(50-250)*sw/3;

int lefty = 333+(450-333)*sw/3;

int centerx = upx+ ((leftx+(rightx-leftx)/2)-upx)*2/3;

int centery = upy+ ((lefty+(righty-lefty)/2-upy))*2/3;

int pointx = 255+(centerx-255)*2;

int pointy = 333+(centery-333)*2;

//fill(255,0,0);

//ellipse(centerx,centery,10,10);

fill(0,0,0);

if(refer[k] != 0){

ellipse(pointx,pointy,refer[k]/300,refer[k]/300);

}else{

ellipse(pointx,pointy,10,10);

}

//text(name[k],centerx,centery);

}

}else{

int k = clickid-1;

int st = strength[k];

int br = briskness[k];

int sw = sweetness[k];

int upx = 250;

int upy = 333+(100-333)*st/3;

int rightx = 250+(450-250)*br/3;

int righty = 333+(450-333)*br/3;

int leftx = 250+(50-250)*sw/3;

int lefty = 333+(450-333)*sw/3;

stroke(71,234,126);

fill(71,234,126);

triangle(upx,upy,leftx,lefty,rightx,righty);

int centerx = upx+ ((leftx+(rightx-leftx)/2)-upx)*2/3;

int centery = upy+ ((lefty+(righty-lefty)/2-upy))*2/3;

int pointx = 255+(centerx-255)*2;

int pointy = 333+(centery-333)*2;

//fill(255,0,0);

//ellipse(centerx,centery,10,10);

stroke(255,0,55);

fill(255,0,55);

if(refer[k] != 0){

ellipse(pointx,pointy,refer[k]/300,refer[k]/300);

}else{

ellipse(pointx,pointy,10,10);

}

}

}

void controlEvent(ControlEvent theEvent){

clickid = theEvent.controller().id();

}

データベース(MySQL)

cocktail_table

カクテルごとの味(Strength,briskness,sweetness)の値とid,nameからなる。

全25データ

元データはShotbarLAILA(http://laila.daa.jp)のmenuより。

ranking_table

Webサイト「カクテルタイプ」のカクテルページに対する閲覧数。

スクリーンショット

図１：ALL表示

図2：カクテル別表示

 

画面解説

左　メイン表示画面

右　UIボタン（ALL ,それぞれのカクテル名）

操作と挙動

ALL(図１)

カクテルの味の特徴─Strength(アルコールの強さ),Briskness(爽やかさ）,Sweetness(甘さ)の値によって形成される三角形の重心※─を座標とし、カクテルのwebサイトにおける閲覧数を直径とする円を全てのカクテルについて表示する。

それぞれのカクテル名(図2)

そのカクテルの味─Strength(アルコールの強さ),Briskness(爽やかさ）,Sweetness(甘さ)の値によって形成される三角形─と、味の特徴─三角形の重心─を表示する。

工夫点

全てのカクテルに対する四つのパラメータ(Strength,Briskness,Sweetness,閲覧数)を１画面で俯瞰できるように可視化方法を工夫した。味の特徴として、三角形の重心を利用することでパっと見て分かりやすくデータの閲覧ができるようにした。

単純に三角形の重心を表示するだけではベースの三角形の中心部分に必然的に集約されてしまい、差異がわかりにくいので、座標を分散させるため、ベースの三角形の重心を原点として、味の重心の位置ベクトルを定数倍している。

また、味の特徴と同時に閲覧数を円の大きさとして表示することで、どういった味の特徴をもつカクテルが人気であるか一目で分かるようにした。(図１から、味のバランスが良い物が比較的閲覧数が多いことが分かる)

また、デザインに関して、見た目の美しさにこだわった。

今回のデータがカクテルであることから、

ALL(図１)では白いラインの円を用いて炭酸の泡を表現し、

それぞれのカクテルの個別表示では、味の三角形でカクテルグラス、特徴の円でマラスキーノ・チェリーを表現し、全体でカクテルを表現している