データ解析の試み

2020年6月13日土曜日

東京大学松尾研ディープラーニング講座 DL4USを修了しました。

ずいぶん久しぶりの投稿になります。2019年10月から東京大学松尾研ディープラーニング講座 DL4US 3rdを受講し、2020年2月に無事修了しました。

東京大学松尾研　DeepLearning実践開発講座「DL4US」3rd
DL4US コンテンツ公開ページ

私はDL4USの3期生になるようです。講座の内容は上記公開コンテンツで見ることができますが、ただ、コンテンツで自習するのと講座を受講するのでは大きく異なる点があります。

・1受講者 – 1GPUサーバ、ブラウザのみで構築済みの環境が使える。
・毎週の課題提出（コンペ形式）
・SLACKでほかの受講者・TAとのコミュニケーション
・コンペ課題上位者の解法の共有

講座募集のページにも書かれていますが、

第3期では、”受講生コミュニティ” の価値最大化を目指して、1）コンペ形式の課題を通じた競争、2）受講生フォーラムでの議論・助け合い、3）講座期間中・後の交流、に重点を置いた運営を行います。

ということで、この運営が非常に効果的だったと思います。

特に毎週課題提出があることで締め切りに追われながらもスケジュール通りに講座を進めるができる、受講者同士で教えあいや励ましあい、解法の共有など、学習の継続と理解を深める工夫がありました。

正直、仕事をしながらの毎週課題をこなすのはかなりきついものがありましたが、課題コンペでの競いあいや受講者同士でコミュニケーションが取れる場があることで何とか継続できたと思っています。

DL4USの特徴にはもう一つ、最終課題があります。

最終課題
「講座で学んだ技術を利用する独自プロジェクトに取り組み、その結果をレポートせよ」

テーマは自由。データも自分で集める必要があります。

何をするか、自分の実力で何ができるか非常に悩みましたが、私は「LSTMによる電力卸価格（スポット価格）の変化点検知と予測」というテーマにしました。時系列の電力卸価格と気象データ等から変化点とその度合いを見る（さらに予測を行う）というものです。

実は自然言語処理を試してみたかったのですが、テーマも絞り切れず、一からやるには難易度が高すぎることから、やはり少しでもドメイン知識のある分野の方がやりやすいだろうという選択です（これは正解でした）。

最終課題に取り組んだのは1か月弱（一度締め切りが延びた）という短期間で、非常に苦労しましたが何とかレポートにまとめ、提出することができました。予測としての精度はあまりよくなかったものの、最終課題の評価は修了者の平均程度となり個人的には満足しています。

今まで、Andrew先生のcoursera machine learning、edx UCバークレーデータサイエンス基礎講座とデータ解析系の講座を受講しましたが、DL4USは技術の習得はもとより、継続の面でとてもよく設計された講座だと感じました。受講者の修了率は半分程度だったそうですが、オンライン講座でこの修了率は高いと思います。何より、スタッフの方の対応や受講者同士のコミュニケーションが取れる仕組みやよかったです。

修了者の懇親会はコロナの影響で延期となっていますが、開催される場合はぜひ参加したいと思います。

＊実はこの後、同じく東京大学松尾研のGCIデータサイエンティスト育成講座も受講しました。こちらについてもそのうち書きます。

追記：2020年7月21日　最終課題について書きました。
LSTMによる卸電力価格（スポット価格）の変化点検知（DL4US最終課題）
https://eneprog.blogspot.com/2020/07/lstmdl4us.html

参考
東京大学松尾研　DeepLearning実践開発講座「DL4US」3rd
https://deeplearning.jp/lectures/dl4us_3rd
DL4US コンテンツ公開ページ
https://weblab.t.u-tokyo.ac.jp/dl4us/

Coursera machine learningコース
https://www.coursera.org/learn/machine-learning
coursera machine learningコース修了しました。
https://eneprog.blogspot.com/2018/06/edx-uc-2python.html
Coursera machine learning コースを始めました。edX UCバークレーFoundations of Data Scienceとの違いなど
https://eneprog.blogspot.com/2018/07/coursera-machine-learning-edx-ucmooc.html
edX UCバークレー Data Science: Computational Thinking with Python
https://www.edx.org/course/foundations-of-data-science-computational-thinking
プログラミング学習：edx UCバークレーデータサイエンス基礎講座の紹介(python)
https://eneprog.blogspot.com/2018/04/edx-uc-python.html
プログラミング学習：edx UCバークレーデータサイエンス基礎講座、第2弾受講中(python)
https://eneprog.blogspot.com/2018/06/edx-uc-2python.html

2018年9月27日木曜日

pythonで全角⇔半角変換する。unicodedateを使う方法とdict登録で文字種ごとに設定する方法。(文字列操作,正規化,unicodedata,ユニコード）

過去のエネルギー基本計画と最新分を比較しようとしたところ、文字の全角半角にばらつきがあることに気がつきました。

平成30年　第5次エネルギー計画（最新版）
平成22年　第3次エネルギー計画

最新の第5次エネルギー基本計画では、略語、数字は全角（ＣＯ２、ＩｏＴ、２０３０年など）、英単語・熟語、単位は半角（Energy Security、klなど）。第3次エネルギー基本計画では略語、数字（1文字の数字を除く）は半角（CO2、2002 年など）、一桁の数字は全角です（９月、９割など）。各文書内では文字種ごとに全角半角は統一されているようです。

このままでは自然言語処理をする際に別の単語と認識してしまうので統一していきます。

すべて正規化する場合（全角アルファベット・数字・記号→半角、半角カタカナ→全角）はunicodedateを使うと簡単です。

・unicodedateで全角を半角に

import unicodedata

text = u'ＡＢＣａｂｃ１２３カキク①（！％＠＃＄￥～　ABCabc123ｶｷｸ(!%@#$\~'
unicodedata.normalize("NFKC", text)

'ABCabc123カキクガギグ1(!%@#$¥~ ABCabc123カキクガギグ(!%@#$\\~'

unicodedate.nomalizeではformを指定して文字列を正規化します。ここではNFKC(Normalization Form Compatibility Composition)を指定しています。下記に詳しい解説があります。（あまり理解できていません）

Pythonドキュメント unicodedata — Unicode データベース
 文字コード地獄秘話第3話：後戻りの効かないUnicode正規化

unicodedateの正規化（NFKC）を使うと、全角アルファベット・数字・カタカナは半角になります。全角記号も半角になりますが、正規化されて、違う記号になったりするので要注意です。上の例では丸囲み数字①が1に、～は˜に、￥は¥¥になってしまいました。これでは困ることがあるので、違う方法を考えます。

参考にしたのはこちら↓

pythonで半角英数字から全角英数字へ変換

目的の文字のユニコードを辞書登録して、translateで変換するという方法。

ユニコードを調べるのは下記ページが便利です。逆引きもできます。

うにこ～ど2/

数字、英字のユニコード範囲：
---
数字半角[0-9] 0x30～0x39
数字全角[０-９] 0xFF10～0xFF19

英字半角・大文字[A-Z] 0x41～0x5A
英字全角・大文字[Ａ-Ｚ] 0xFF21～0xFF3A
英字半角・小文字[a-z] 0x61～0x7A
英字全角・小文字[ａ-ｚ] 0xFF41～0xFF5A
---

ユニコードは計算（足し算、引き算）ができるので、これを利用してアルファベット、数字の一覧が生成できます。

・全角アルファベット一覧の作成

for ch in range(26):
    print(chr(0xFF21 + ch))

ＡＢＣＤＥＦＧＨＩＪＫＬＭＮＯＰＱＲＳＴＵＶＷＸＹＺ

大文字全角Ａのユニコード[0xFF21]に26までの数字を足して、ＡからＺまでの英字を作りました。次にこれらを辞書に登録します。

・全角半角のセットを辞書に登録

upper = dict((0xFF21 + ch, 0x0041 + ch) for ch in range(26))
lower = dict((0xFF41 + ch, 0x0061 + ch) for ch in range(26))
number= dict((0xFF10 + ch, 0x0030 + ch) for ch in range(10))

t = {**upper, **lower,**number}

大文字（upper）、小文字（lower）、数字（number）をそれぞれ全角をキーに、半角を値にして辞書を作成し、ひとつに結合しました。変換が必要な文字種だけを辞書登録するのがポイント。辞書の結合は**を使っていますが、これができるのはPython3.5以上のようです。

Python で2つの辞書をマージした新しい辞書を作りたいとき

あとはtranslateで文字列を変換するだけ。

・全角英字、数字を半角に変換

text = u'ＡＢＣａｂｃ１２３カキク①（！％＠＃＄￥～　ABCabc123ｶｷｸ(!%@#$\~'
print(text.translate(t))

ABCabc123カキク①（！％＠＃＄￥～　ABCabc123ｶｷｸ(!%@#$\~

全角英字・数字のみが半角に変換されました（記号・半角カタカナはそのまま）。これを使うと、半角を全角に、全角数字のみを半角数字になどもできます。ただ、記号の場合はユニコードが連続していないので、目的のユニコードを探して辞書登録する必要があります。

参考：
Pythonドキュメント unicodedata — Unicode データベース
https://docs.python.jp/3/library/unicodedata.html
文字コード地獄秘話第3話：後戻りの効かないUnicode正規化
http://tech.albert2005.co.jp/501/
うにこ～ど2
http://unicode.ninpou.jp/

pythonで半角英数字から全角英数字へ変換
http://cuio.blog2.fc2.com/blog-entry-2165.html
[Java] 全角半角変換（英数字の場合）
https://ameblo.jp/archive-redo-blog/entry-10376390355.html
Python で2つの辞書をマージした新しい辞書を作りたいとき
https://utgwkk.hateblo.jp/entry/2017/08/04/013507

2018年9月24日月曜日

coursera machine learningコース修了しました。（機械学習,オンライン学習）

7月から始めたcoursera machine learningコースを修了しました。

Coursera machine learning コースを始めました。edX UCバークレーFoundations of Data Scienceとの違いなど

約3ヶ月かけて期限のぎりぎりで修了です。何とか終われたというのが感想です。

コースの内容はほかの方が詳しく書かれていますが、機械学習に必要なことは一通り習ったという感じでしょうか。主な項目は単回帰、重回帰、ロジスティック回帰、ニューラルネットワーク、サポートベクターマシン（SVM）、K-means、主成分分析(PCA)、異常値検知など。そのほか、機械学習が上手くいっているかの確認方法、こんなときにはこれを使う、ビッグデータを扱う場合などのコツも教えてくれています。

カリキュラムとしては、5週目までで単回帰からニューラルネットワークまで進み、かなりのスピードと分量でついていくのがやっとという状態でした。私は特に5週目のニューラルネットワークの誤差逆伝播法(Backpropagation)が理解できず、他のHPや本を見て参考にしました（今でも理解できているとは言いがたいですが）。ニューラルネットワークまでは自分でアルゴリズムを組んで実装しますが、その後は既存のライブラリを使ったりするので比較的簡単に感じました（Octave、行列の計算に慣れたというのもある）。

プログラミング課題はOctaveを使いますが、これは特に問題ではなかったです。とてもシンプルで理解しやすい言語だと思います。

機械学習では数学の知識が必要といわれていますが、このコースでは初歩の行列の計算（足し算、引き算、内積など）は最初に解説があります。その他は数式も出てきますが、理解できなくてもいい。覚えなくてもいい（覚える必要はない）などとコメントがありました。もちろん理解できたほうがいいですが、何となく分かった程度でもついていけます。

このコースでは基本的に日本語字幕がついていますが、何項目かは日本語なしのものもありました。日本語字幕は複数人のボランティアが担当して作成されているようで、質にムラがあります。日本語では分かりにくいときがあるので、その場合は英語スクリプトを確認したほうがいいです。

全体としてとてもよくできたコースだと思いますが、なんといっても講師のAndrew先生が人気の秘密だと感じました。これは難しいから理解しなくても大丈夫、僕も最近やっと分かったところだよ。ここまで良く頑張ったね。おめでとう。シリコンバレーの多くのエンジニアより君のほうが機械学習を分かっている。などというコメントがところどころにあり、この言葉に励まされながら受講を続けました。修了して最後の先生の言葉にはちょっと感動しました。

ほぼ感想になりましたが、オンライン学習というのはリタイア率が高く、修了まで続けるのは容易ではありません。興味が続くようなコース設計はもとより、励ましというか声かけ、コーチングが重要なのだと思いました（私はAndrew先生の励ましを受けてなんとか修了できた感じです）。日本のオンライン学習でもこれらの仕組みを取り入れて、続けやすい仕組みを整えてほしいと思います。

最後に。これから受講される方へ
さまざまなブログなどで紹介されている人気コースですが、分量も多く、やさしくはないです。ただ、難易度は3週目までと6週目までが山です。あとは全体に簡単になるので、まずは3週目までやってみることをお勧めします。機械学習とは何なのかという話を平易な言葉を使って解説されていて、興味深く続けられました。なんといってもAndrew先生の言葉と笑顔がよいです。ぜひ受講してみてください。

参考：
Coursera machine learningコース
https://www.coursera.org/learn/machine-learning
Coursera machine learning コースを始めました。edX UCバークレーFoundations of Data Scienceとの違いなど
https://eneprog.blogspot.com/2018/07/coursera-machine-learning-edx-ucmooc.html
edX UCバークレーデータサイエンス基礎講座
https://www.edx.org/professional-certificate/berkeleyx-foundations-of-data-science
プログラミング学習：edx UCバークレーデータサイエンス基礎講座の紹介(python)
https://eneprog.blogspot.com/2018/04/edx-uc-python.html
プログラミング学習：edx UCバークレーデータサイエンス基礎講座、第2弾受講中(python)
https://eneprog.blogspot.com/2018/06/edx-uc-2python.html

2018年9月1日土曜日

エネルギー基本計画の特徴を見てみる。その4 複合語を考慮してwordcloud（python,janome,自然言語処理）

前回までに、エネルギー基本計画から複数回出現する単語の組み合わせをgensim Phrasesで取り出し、名詞とみなせるか判定した上で複合語・新語をjanomeのユーザー辞書に登録しました。

今回は、作成したユーザー辞書を使って複合語を考慮した上でwordcloudを作ってみます。

ちなみに、複合語を考慮しない場合はこのようになりました。

エネルギー基本計画（案）の特徴を見てみる。その2 名詞でwordcloudより。名詞（代名詞、非自立名詞を除く）のみ、連語を考慮せず。

「エネルギー」が大きく表示されていますが、「必要」「利用」「活用」などの普通に使われそうな言葉が目立ち、エネルギー基本計画としての特徴があまり出ていません専門用語として複合語・新語を登録したユーザー辞書を使うことで、どう変化するでしょうか。

・インポートとデータ読み込み

from janome.tokenizer import Tokenizer

from wordcloud import WordCloud
import matplotlib.pyplot as plt 

text_file = open("enegy_plan.txt")
full_text = text_file.read()
full_text= full_text.replace("\n","")

出力（一部）

はじめに２０１１年３月の東日本大震災及び東京電力福島第一原子力発電所事故を受けて、政府は、２０１４年４月、２０３０年を念頭に、第４次エネルギー基本計画を策定し、原発依存度の低減、化石資源依存度の低減、再生可能エネルギーの拡大を打ち出した。第４次エネルギー基本計画の策定から４年、２０３０年の計画の見直しのみならず、パリ協定の発効を受けた２０５０年を見据えた対応、より長期には化石資源枯渇に備えた超長期の対応、変化するエネルギー情勢への対応など、今一度、我が国がそのエネルギー選択を構想すべき時期に来ている。

・ユーザー辞書を指定

tokenizer = Tokenizer('energywords_dic.csv', udic_enc='cp932')
tokens = tokenizer.tokenize(full_text)

前回作成したユーザー辞書を指定します。

・形態素解析を行い、指定した品詞のみを取り出す。

word_list=[]
for token in tokens:
    word = token.surface
    partOfSpeech = token.part_of_speech.split(',')[0]
    partOfSpeech2 = token.part_of_speech.split(',')[1]
    
    if partOfSpeech == "名詞":
        if (partOfSpeech2 != "非自立") and (partOfSpeech2 != "代名詞") and (partOfSpeech2 != "数"):
            word_list.append(word)

words_wakati=" ".join(word_list)
words_wakati

出力（一部）

はじめ 年 ３月 東日本大震災 東京電力 福島 原子力発電所 事故 政府 年 ４月 年 念頭 次 エネルギー 基本 計画 策定 原発依存度 低減 化石資源 依存度 低減 再生可能エネルギー 拡大 次 エネルギー 基本 計画 策定 年 年 計画 見直し パリ協定 発効 年 対応 長期 化石資源 枯渇 長期 対応 変化 エネルギー情勢 対応 今 度 我が国 エネルギー 選択 構想 時期

形態素情報から名詞（非自立、代名詞、数を除く）のみを取り出しています。janomeを使った品詞での単語抽出についてはこちらをご覧ください。

・wordcloudの設定・表示

stop_words = []
fpath = "C:\Windows\Fonts\msgothic.ttc"

wordcloud = WordCloud(
    font_path=fpath,
    width=900, height=500, #default width=400, height=200
    background_color="white", #default=”black”
    stopwords=set(stop_words),
    max_words=500, #default=200
#    max_font_size=150, #default=None,height of the image
    min_font_size=4, #default=4
    collocations = False #default = True
).generate(words_wakati)

plt.figure(figsize=(15,12))
plt.imshow(wordcloud)
plt.axis("off")
plt.show()

最大フォントを指定せず、連語を考慮せずで作成しています。wordcloudの設定についてはこちらをご覧ください。

出力

（クリックで少し大きく見られます）

「エネルギー」「技術」「開発」「事業」「取組」が大きく表示され、「再生可能エネルギー」「脱炭素化」「水素」「地域」も大きめです。よく見ると「エネルギー需給」「LPガス」「温室効果ガス」などもあります。

作成したユーザー辞書を使うことで、専門用語を考慮することができるようになり、前よりは特徴が見えてきました。

次回以降、「技術」「開発」「取組」などのこういう文書によく使われる単語を除いて、特定の文書での特徴を現す言葉のみの抽出をやってみようと思います。

参考：
資源エネルギー庁：第5次エネルギー基本計画
http://www.enecho.meti.go.jp/category/others/basic_plan/pdf/180703.pdf
Janomeドキュメント：ユーザー定義辞書を使う
http://mocobeta.github.io/janome/#id7
MeCab 単語の追加方法
http://taku910.github.io/mecab/dic.html
コード7区：gensim の Phrases の使い方。頻出する単語ペアを検出－python
http://ailaby.com/phrases/
コード7区：ツイートからユーザ辞書（MeCab や Janome 用）をpython で作ってみる http://ailaby.com/tweet_dict/
Janomeで形態素解析をやってみる。
http://eneprog.blogspot.com/2018/06/janomepython.html
エネルギー基本計画（案）の特徴を見てみる。その１ wordcloud
https://eneprog.blogspot.com/2018/06/wordcloudpythonjanome.html
エネルギー基本計画（案）の特徴を見てみる。その2 名詞でwordcloud
https://eneprog.blogspot.com/2018/06/2-pythonjanomewordcloud.html

gensim Phrasesで新語・複合語を探す（python、自然言語処理、機械学習）
https://eneprog.blogspot.com/2018/07/gensim-phrasespython.html
エネルギー基本計画から新語・複合語を探す。その1
https://eneprog.blogspot.com/2018/07/1-pythongensimphrasesjanome.html
エネルギー基本計画から新語・複合語を探す。その2 複合語を判定する
https://eneprog.blogspot.com/2018/08/2-pythonjanome.html
Janomeでユーザー辞書を使う
https://eneprog.blogspot.com/2018/08/janomepython.html

2018年8月21日火曜日

Janomeのユーザー辞書を作る（python,自然言語処理,エネルギー基本計画）

前回の続きです。前回はエネルギー基本計画からgensim Phrasesを使って、複数回出現する単語の組み合わせを複合語候補として取り出し、名詞とみなせるかどうか判定しリストを作りました。

今回は、このリストを新語としてjanomeのユーザー辞書に登録します。下記の記事を参考にしました。

Janomeドキュメント：ユーザー定義辞書を使う
http://mocobeta.github.io/janome/#id7
コード7区：ツイートからユーザ辞書（MeCab や Janome 用）をpython で作ってみる
http://ailaby.com/tweet_dict/

・インポートとデータの確認

from janome.tokenizer import Tokenizer
import pandas as pd

words_judge

	複合語候補	回数	単語	判定
0	再生_可能_エネルギー	171	再生可能エネルギー	True
1	する_こと	154	すること	False
2	。_\r\r\r\r\n	135
3	し_た	128	し
4	的_な	118	的
5	について_は	91	について
6	事業_者	78	事業者	True
7	する_ため	72	するため	False
8	脱_炭素_化	65	脱炭素化	True
9	し_て	65	し

・データ抽出

words_dic=words_judge[(words_judge["判定"]==True) & (words_judge["回数"] >= 6)]
words_dic

判定が"True"、回数が6以上のものを抽出。

	複合語候補	回数	単語	判定
0	再生_可能_エネルギー	171	再生可能エネルギー	True
6	事業_者	78	事業者	True
8	脱_炭素_化	65	脱炭素化	True
14	技術_開発	56	技術開発	True
15	可能_性	55	可能性	True
27	安定_供給	38	安定供給	True

このデータの"単語"列をユーザー辞書に登録します。janomeのユーザー辞書はMeCab 辞書と同じです。ユーザー辞書のフォーマットについては下記を参照ください。

MeCab 単語の追加方法
http://taku910.github.io/mecab/dic.html

ユーザー辞書はカンマ区切りCSVファイルで、「表層形,左文脈ID,右文脈ID,コスト,品詞,品詞細分類1,品詞細分類2,品詞細分類3,活用型,活用形,原形,読み,発音」という形式です。

今回は、左文脈ID、右文脈IDを-1、コストを1000に、品詞、品詞細分類1を名詞、一般名詞に固定し、そのほかは"*"にします。

・ユーザー辞書のフォーマットを作る

words_dic["paramater"]="-1,-1,1000,名詞,一般,*,*,*,*,%s,*,*"

words_dic=pd.concat(
    [words_dic['単語'],words_dic['paramater']
     .str.split(',', expand=True)], axis=1)

words_dic[9]=words_dic["単語"]
words_dic

フォーマットの表層形以外をカンマ区切りでparamater列に格納した後、カンマで列を分割、原形（列名"9"）に"単語"列をコピーしています。

	単語	0	1	2	3	4	5	6	7	8	9	10	11
0	再生可能エネルギー	-1	-1	1000	名詞	一般	*	*	*	*	再生可能エネルギー	*	*
6	事業者	-1	-1	1000	名詞	一般	*	*	*	*	事業者	*	*
8	脱炭素化	-1	-1	1000	名詞	一般	*	*	*	*	脱炭素化	*	*
14	技術開発	-1	-1	1000	名詞	一般	*	*	*	*	技術開発	*	*
15	可能性	-1	-1	1000	名詞	一般	*	*	*	*	可能性	*	*

これでユーザー辞書のフォーマットが完成。

・ユーザー辞書をCSVで保存

words_dic.to_csv("energywords_dic.csv", sep=",",index=False,header=False,encoding='cp932')

できたユーザー辞書をCSVで保存します。この時、列名、インデックスともにFalseとし、保存しないようにます。

・ユーザー辞書を使う
janomeでユーザー辞書を使ってみます。エネルギー基本計画より、下記の文章を分かち書きします。

電源構成は、特定の電源や燃料源への依存度が過度に高まらないようにしつつ、低廉で安定的なベースロード電源を国際的にも遜色のない水準で確保すること、安定供給に必要な予備力、調整力を堅持すること、環境への適合を図ることが重要であり、バランスのとれた電源構成の実現に注力していく必要がある。一方、東京電力福島第一原子力発電所事故後、電力需要に変化が見られるようになっている。こうした需要動向の変化を踏まえつつ、節電や、空調エネルギーのピークカットなどピーク対策の取組を進めることで電力の負荷平準化を図り、供給構造の効率化を進めていくことが必要である。

text="電源構成は、特定の電源や燃料源への依存度が過度に高まらないようにしつつ、低廉で安定的なベースロード電源を国際的にも遜色のない水準で確保すること、安定供給に必要な予備力、調整力を堅持すること、環境への適合を図ることが重要であり、バランスのとれた電源構成の実現に注力していく必要がある。一方、東京電力福島第一原子力発電所事故後、電力需要に変化が見られるようになっている。こうした需要動向の変化を踏まえつつ、節電や、空調エネルギーのピークカットなどピーク対策の取組を進めることで電力の負荷平準化を図り、供給構造の効率化を進めていくことが必要である。"

・ユーザー辞書なし

tokenizer = Tokenizer()

words=[]
tokens = tokenizer.tokenize(text)
for word in tokens:
    words.append(word.surface)
    
print(" ".join(words))

電源 構成 は 、 特定 の 電源 や 燃料 源 へ の 依存 度 が 過度 に 高まら ない よう に し つつ 、 低廉 で 安定 的 な ベース ロード 電源 を 国際 的 に も 遜色 の ない 水準 で 確保 する こと 、 安定 供給 に 必要 な 予備 力 、 調整 力 を 堅持 する こと 、 環境 へ の 適合 を 図る こと が 重要 で あり 、 バランス の とれ た 電源 構成 の 実現 に 注力 し て いく 必要 が ある 。 一方 、 東京電力 福島 第 一 原子力 発電 所 事故 後 、 電力 需要 に 変化 が 見 られる よう に なっ て いる 。 こうした 需要 動向 の 変化 を 踏まえ つつ 、 節電 や 、 空調 エネルギー の ピーク カット など ピーク 対策 の 取組 を 進める こと で 電力 の 負荷 平準 化 を 図り 、 供給 構造 の 効率 化 を 進め て いく こと が 必要 で ある 。

・ユーザー辞書あり

tokenizer = Tokenizer('energywords_dic.csv', udic_enc='cp932')


words=[]
tokens = tokenizer.tokenize(text)
for word in tokens:
    words.append(word.surface)
    
print(" ".join(words))

電源構成 は 、 特定 の 電源 や 燃料 源 へ の 依存度 が 過度 に 高まら ない よう に し つつ 、 低廉 で 安定的 な ベースロード電源 を 国際的 に も 遜色 の ない 水準 で 確保 する こと 、 安定供給 に 必要 な 予備 力 、 調整力 を 堅持 する こと 、 環境 へ の 適合 を 図る こと が 重要 で あり 、 バランス の とれ た 電源構成 の 実現 に 注力 し て いく 必要 が ある 。 一方 、 東京電力 福島 第 一 原子力発電所 事故 後 、 電力 需要 に 変化 が 見 られる よう に なっ て いる 。 こうした 需要動向 の 変化 を 踏まえ つつ 、 節電 や 、 空調 エネルギー の ピーク カット など ピーク 対策 の 取組 を 進める こと で 電力 の 負荷 平準 化 を 図り 、 供給構造 の 効率化 を 進め て いく こと が 必要 で ある 。

ユーザー辞書の設定は、Tokenizerの初期化時にユーザー辞書のCSVファイル名とエンコードを指定するだけ。

ユーザー辞書ありでは、電源構成、依存度、安定的、ベースロード電源、国際的、安定供給、調整力、原子力発電所、需要動向、供給構造、効率化が一つの単語となりました。

一方、予備力、電力需要、ピークカットは「予備力」「電力需要」「ピークカット」と分かれたままです。これはエネルギー基本計画で6回以上出現したものを複合語候補として抽出したためです。複数の資料から辞書に載っていない組み合わせを抽出するようにすれば、新語の検出精度が上がりそうです。

参考：
資源エネルギー庁：第5次エネルギー基本計画
http://www.enecho.meti.go.jp/category/others/basic_plan/pdf/180703.pdf
Janomeドキュメント：ユーザー定義辞書を使う
http://mocobeta.github.io/janome/#id7
MeCab 単語の追加方法
http://taku910.github.io/mecab/dic.html
コード7区：gensim の Phrases の使い方。頻出する単語ペアを検出－python
http://ailaby.com/phrases/
コード7区：ツイートからユーザ辞書（MeCab や Janome 用）をpython で作ってみる http://ailaby.com/tweet_dict/
Janomeで形態素解析をやってみる。
http://eneprog.blogspot.com/2018/06/janomepython.html
janome Analayzerで複合語（複合名詞）を考慮して形態素解析を行う。
http://eneprog.blogspot.com/2018/07/janome-analayzerpython.html
gensim Phrasesで新語・複合語を探す（python、自然言語処理、機械学習）
https://eneprog.blogspot.com/2018/07/gensim-phrasespython.html
エネルギー基本計画から新語・複合語を探す。その1
https://eneprog.blogspot.com/2018/07/1-pythongensimphrasesjanome.html
エネルギー基本計画から新語・複合語を探す。その2 複合語を判定する（python,自然言語処理,janome）
https://eneprog.blogspot.com/2018/08/2-pythonjanome.html

2018年8月7日火曜日

エネルギー基本計画から新語・複合語を探す。その2 複合語を判定する（python,自然言語処理,janome）

前回、gensim phrasesを使って、エネルギー基本計画の文章から複数回出現した単語の組み合わせを複合語候補として取り出しました。

今回はここから複合語（名詞）と見なせるかどうか判定し、新語（エネルギー用語）として抽出します。下記のブログを参考にしました。

コード7区：ツイートからユーザ辞書（MeCab や Janome 用）をpython で作ってみる
http://ailaby.com/tweet_dict/

・インポート、janome Tokenizer初期化

from janome.tokenizer import Tokenizer
import pandas as pd
#from tqdm import tqdm
import re

tokenizer = Tokenizer()

・データ確認（一部）

words_df

	複合語候補	回数
0	再生_可能_エネルギー	171
1	する_こと	154
2	。_\n	135
3	し_た	128
4	的_な	118
5	について_は	91
6	事業_者	78
7	する_ため	72
8	脱_炭素_化	65
9	し_て	65
10	し_て_いく	65

助詞や句読点などが含まれているものがあります。これらを下記のように判定し、名詞と見なせるものを抽出しました。

名詞＋名詞＝名詞
接頭詞＋名詞＝名詞
最後に助詞、助動詞がつくものはこれらを削除して判定
空白文字が含まれているものは除外
最初に「年」または「年度」とつくものは除外
数や助数詞が含まれているものは除外

最後に助詞、助動詞がつくものとは、「安定_的_な」のように、助詞、助動詞も含めて複合語候補となっているものです。この場合は最後の「な」を削除し「安定_的」で判定に回します。

その際、複合語ではなく1単語となってしまった場合、判定せずに空白を返すことにします（「重要_な」で「な」を削除すると「重要」の1単語となり複合語ではなくなる）。

・判定関数

def judge(word):
    
    word_list=word.split("_")
    word=word.replace("_","")

    tokens = tokenizer.tokenize(word)

    if len(tokens)==1 or re.search("\s+", word): #空白文字が含まれていたら除外
        return pd.Series(["",""])
    
    if word_list[0]=="年" or word_list[0]=="年度":　#最初が「年」または「年度」であれば除外
        return pd.Series(["",""])

    part0 = tokens[-1].part_of_speech.split(',')[0]

    if part0 == "助詞" or part0=="助動詞":　#最後が助詞または助動詞であればその単語を削除
        del tokens[-1]
        del word_list[-1]
        
        word="".join(word_list)
        
        if len(tokens)==1:
            return pd.Series([word,""])
        
    for num, token in enumerate(tokens):
        
        surFace = token.surface 
        part0 = token.part_of_speech.split(',')[0]
        part1 = token.part_of_speech.split(',')[1]
        part2 = token.part_of_speech.split(',')[2]
        reading = token.reading
        baseForm = token.base_form
        inflForm = token.infl_form
        

        if num==0: 
            if part0 ==u"接頭詞": #最初が接頭詞であれば、次の単語へ
                continue  
        
        if part0 != u'名詞':
            return pd.Series([word,False])
        elif part0 =="名詞" and (part1 == u'数' or part2=="助数詞"):　#数、助数詞が含まれていれば除外
            return pd.Series([word,False])
        else:
            continue

    return pd.Series([word,True])

試行錯誤の結果こうなりました。戻り値はpandasのSeriesで、単語と判定結果（True または False）を返します。

・データフレームの列に関数適用

words_df=(
    pd.concat([words_df, words_df["複合語候補"].apply( judge )], axis=1 )
    .rename(columns={0:"単語",1:"判定"}))

applyで"複合語候補"列にjudge関数を適用し、戻り値2つをpd.concatで新しい列に格納します。複数の戻り値でそれぞれ新しい列を作る方法が分からず苦労しました。。。

・出力（一部）

	複合語候補	回数	単語	判定
0	再生_可能_エネルギー	171	再生可能エネルギー	True
1	する_こと	154	すること	False
2	。_\r\r\r\r\n	135
3	し_た	128	し
4	的_な	118	的
5	について_は	91	について
6	事業_者	78	事業者	True
7	する_ため	72	するため	False
8	脱_炭素_化	65	脱炭素化	True
9	し_て	65	し

「再生可能エネルギー」「事業者」「脱炭素化」はTrue、「すること」「するため」はFalseと判定されました。「して」「した」など最後の助詞、助動詞を取り除くと1単語になるものは空白としています。

・重複除去

words_judge=(words_df.groupby(["単語","判定"])["回数"].sum()
        .reset_index()
        .rename(columns={0:"回数"})
        .sort_values(by="回数", ascending=False))

複合語候補、最後の助詞、助動詞を取り除く処理により、重複が出てくるためこれをgroupbyで取り除き、sum()で回数を足し合わせました。

・抽出

words_judge[(words_judge["判定"]==True) & (words_judge["回数"] >= 6)]

判定がTrue、出現回数が6回以上のものを抽出します。これらを新語・複合語とします。

・出力

	単語	判定	回数
250	再生可能エネルギー	True	171
215	事業者	True	78
503	脱炭素化	True	77
384	技術開発	True	56
291	可能性	True	55
162	エネルギー源	True	45
480	積極的	True	41
348	安定供給	True	38
581	需要家	True	38
266	効率的	True	37
351	安定的	True	36
474	研究開発	True	35
172	エネルギー需給構造	True	35
366	廃炉	True	34
269	化石燃料	True	32
338	天然ガス	True	31
345	安全性	True	31
666	ＬＰガス	True	29
385	技術革新	True	28
313	国際的	True	28
228	使用済燃料	True	28
395	新興国	True	27
153	エネルギー供給	True	26
447	燃料電池	True	26
264	効率化	True	25
440	温室効果ガス	True	25
208	中長期的	True	24
524	調整力	True	24
257	分散型エネルギーシステム	True	24
169	エネルギー選択	True	23
665	ＦＩＴ制度	True	23
160	エネルギー消費	True	22
573	電力システム改革	True	22
332	多様化	True	22
173	エネルギー需要	True	22
359	導入拡大	True	21
336	大規模	True	21
484	競争力	True	21
471	石油製品	True	21
187	パリ協定	True	21
165	エネルギー転換	True	20
157	エネルギー安全保障	True	20
177	サプライチェーン	True	20
225	低炭素化	True	20
159	エネルギー政策	True	20
499	総合的	True	20
430	活性化	True	19
595	高度化	True	19
389	排出量	True	19
244	具体的	True	19
383	戦略的	True	18
255	分散型	True	18
401	最終処分	True	17
152	エネルギーミックス	True	17
155	エネルギー分野	True	17
164	エネルギー産業	True	17
230	供給構造	True	17
327	基本計画	True	16
278	原子力発電所	True	16
369	強靱化	True	16
465	省エネ法	True	16
567	長期的	True	16
592	高効率	True	15
367	建築物	True	15
508	自由化	True	15
456	発電コスト	True	15
176	コスト低減	True	14
265	効率性	True	14
224	低炭素	True	14
445	災害時	True	14
185	バイオマス	True	14
270	化石資源	True	14
528	資源国	True	14
495	継続的	True	14
492	経済性	True	14
324	地球温暖化対策	True	14
505	脱炭素化エネルギーシステム	True	14
312	国際展開	True	14
203	世界全体	True	13
243	具体化	True	13
569	関係者	True	13
241	先進国	True	13
386	抜本的	True	13
388	排出削減	True	13
274	原子力事業者	True	13
263	効果的	True	13
150	エネルギーシステム	True	13
444	火力発電	True	13
449	環境整備	True	13
171	エネルギー需給	True	12
232	依存度	True	12
158	エネルギー情勢	True	12
510	自給率	True	12
397	方向性	True	12
229	供給体制	True	12
586	風力発電	True	12
182	トップランナー制度	True	12
408	東日本大震災	True	12
337	大量導入	True	12
292	各エネルギー源	True	12
566	鉱物資源	True	11
247	再処理	True	11
170	エネルギー関連	True	11
396	新規参入	True	11
398	日米	True	11
493	経済成長	True	11
470	石油産業	True	11
393	放射性廃棄物	True	11
582	需要量	True	11
523	課題解決	True	11
463	相手国	True	11
387	持続可能	True	11
457	発電効率	True	11
267	包括的	True	10
557	運輸部門	True	10
565	金属鉱物	True	10
277	原子力発電	True	10
321	地熱発電	True	10
308	国民生活	True	10
574	電気料金	True	10
319	地政学的リスク	True	10
482	立地地域	True	10
441	温室効果ガス排出	True	10
509	自立化	True	10
591	高レベル放射性廃棄物	True	10
202	不確実性	True	10
585	顕在化	True	10
530	資源開発	True	10
576	電源構成	True	10
489	系統制約	True	10
584	革新的	True	10
469	石油化学	True	9
473	石炭火力発電	True	9
333	多角化	True	9
459	発電設備	True	9
496	緊急時	True	9
506	自主開発	True	9
450	環境負荷	True	9
405	本格化	True	9
350	安定性	True	9
402	有効利用	True	9
403	有効活用	True	9
349	安定化	True	9
339	太陽光発電	True	9
411	柔軟性	True	9
415	核燃料サイクル	True	9
531	賦存	True	9
306	国家備蓄	True	9
189	ベースロード電源	True	9
214	事業環境	True	9
273	危機時	True	9
259	利活用	True	9
564	野心的	True	9
572	電力システム	True	9
204	世界的	True	9
498	総合エネルギー企業	True	9
309	国民負担	True	9
578	需給調整	True	9
234	信頼性	True	9
311	国際協力	True	9
223	低コスト化	True	9
222	低コスト	True	8
211	主要国	True	8
526	貯蔵施設	True	8
210	主力電源化	True	8
412	核セキュリティ	True	8
423	気候変動	True	8
316	国際連系線	True	8
494	経済的	True	8
479	科学的レビューメカニズム	True	8
476	社会的	True	8
154	エネルギー供給構造	True	8
468	石油コンビナート	True	8
462	相対的	True	8
453	産油国	True	8
180	デジタル化	True	8
448	環境変化	True	8
514	製油所	True	8
437	消費者	True	8
191	ロードマップ	True	8
392	支援策	True	8
251	再稼働	True	8
342	委員会	True	8
536	送配電ネットワーク	True	8
379	情勢変化	True	8
279	原子力規制委員会	True	8
538	送電網	True	8
315	国際競争力	True	8
534	輸送システム	True	8
483	立地自治体	True	7
179	システム改革	True	7
186	バイオ燃料	True	7
515	複線シナリオ	True	7
570	関係自治体	True	7
478	科学的	True	7
464	省エネルギー対策	True	7
161	エネルギー消費効率	True	7
174	ガスシステム改革	True	7
537	送配電網	True	7
254	分散化	True	7
501	脆弱性	True	7
314	国際社会	True	7
380	情報共有	True	7
356	実用化	True	7
220	人材育成	True	7
248	再構築	True	7
231	供給網	True	7
246	円滑化	True	7
260	制度改革	True	7
593	高効率化	True	7
364	廃棄物	True	7
357	家庭用	True	7
305	国内需要	True	7
535	送配電	True	7
424	水素ステーション	True	7
365	廃止措置	True	7
542	連系	True	7
568	関係省庁	True	6
579	需要サイド	True	6
527	貯蔵能力	True	6
529	資源外交	True	6
571	関係閣僚会議	True	6
580	需要動向	True	6
540	途上国	True	6
664	ＣＯ２削減	True	6
563	重要性	True	6
507	自家消費	True	6
221	企業群	True	6
184	ネットワークコスト	True	6
200	不安定化	True	6
207	中下流	True	6
212	予見可能性	True	6
235	信頼関係	True	6
239	元売	True	6
253	出力変動	True	6
323	地球温暖化問題	True	6
276	原子力損害賠償	True	6
280	原油価格	True	6
282	原発依存度	True	6
283	収益力	True	6
294	合理的	True	6
297	商用化	True	6
178	シェール革命	True	6
156	エネルギー協力関係	True	6
151	エネルギーマネジメント	True	6
149	インフラ輸出	True	6
307	国民各層	True	6
358	将来世代	True	6
455	用燃料	True	6
418	機動的	True	6
368	式洋上	True	6
420	次世代自動車	True	6
422	民間企業	True	6
362	年度比	True	6
427	汚染水対策	True	6
446	熱電	True	6
451	産業活動	True	6
360	小売全面自由化	True	6
452	産業界	True	6
381	情報提供	True	6
400	最優先	True	6
458	発電所	True	6
490	系統増強	True	6
346	安全性向上	True	6

計263語が複合語として抽出されました。

積極的、国際的など一般的な言葉も含まれていますが、再生可能エネルギー、脱炭素化、ＦＩＴ制度、エネルギー安全保障、シェール革命、自家消費などエネルギー用語（新語？）と言えそうな言葉が多く見つかりました。

参考：
資源エネルギー庁：第5次エネルギー基本計画 http://www.enecho.meti.go.jp/category/others/basic_plan/pdf/180703.pdf
gensim Phrase
https://radimrehurek.com/gensim/models/phrases.html
gensim Phrase
https://radimrehurek.com/gensim/models/phrases.html
コード7区：gensim の Phrases の使い方。頻出する単語ペアを検出－python
http://ailaby.com/phrases/
コード7区：ツイートからユーザ辞書（MeCab や Janome 用）をpython で作ってみる http://ailaby.com/tweet_dict/
Janomeで形態素解析をやってみる。
http://eneprog.blogspot.com/2018/06/janomepython.html
janome Analayzerで複合語（複合名詞）を考慮して形態素解析を行う。
http://eneprog.blogspot.com/2018/07/janome-analayzerpython.html
gensim Phrasesで新語・複合語を探す（python、自然言語処理、機械学習）
https://eneprog.blogspot.com/2018/07/gensim-phrasespython.html
エネルギー基本計画から新語・複合語を探す。その1
https://eneprog.blogspot.com/2018/07/1-pythongensimphrasesjanome.html

登録: 投稿 (Atom)