Data Driven Knowledgebase

### モデルの変数を定義 ###



# 目的変数：「西武ライオンズ」の検索ボリューム

endog = df["search_volume"]



# 説明変数

list_exog = [

"stnd_onseason", # 順位 × オンシーズンダミー

"dummy_offseason", # 1 - オンシーズンダミー

"dummy_camp", # キャンプダミー

"dummy_opening", # 開幕ダミー

"dummy_allstar", # オールスターダミー

"dummy_ps", # ポストシーズンダミー

"dummy_draft", # ドラフトダミー

"dummy_fest", # ファン感謝イベントダミー

"dummy_samurai", # サムライジャパン

"avg_attendance", # パリーグの平均観客数

]



exog = df[list_exog]





### ローカルレベルモデルの構築 ###

from statsmodels.tsa.statespace.structural import UnobservedComponents



# モデルのインスタンス化

local_level = UnobservedComponents(

endog,

exog=exog,

level="local level"

)



# パラメタの最尤推定

result_ll = local_level.fit(

method='bfgs',

maxiter=10000,

start_params=local_level.fit(method='nm', maxiter=10000).params, # 2段階でパラメタ推定

disp=False

)



# 結果の表示

result_ll.summary()



# 推定結果のプロット

result_ll.plot_components()

plt.show()

### 必要なライブラリのインポート ###

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import matplotlib.colors as mcolors

import matplotlib.patches as mpatches

from matplotlib.collections import LineCollection

from matplotlib.dates import date2num

import japanize_matplotlib

import statsmodels.api as sm

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

from statsmodels.stats.outliers_influence import variance_inflation_factor

from statsmodels.tsa.statespace.structural import UnobservedComponents



### データの準備 ###

# CSVファイルの読み込み

file_path = "任意のファイルパス"

df = pd.read_csv(file_path, parse_dates=["week"])



# 順位とシーズンダミーの交差項を作成

df["stnd_onseason"] = df["standings"].fillna(0)



# オフシーズンダミーの作成

df["dummy_offseason"] = 1 - df["dummy_onseason"]



### 「西武ライオンズ」検索ボリュームの推移 ###

plt.figure(figsize=(12, 6))



# 日付データを数値に変換

dates = date2num(df['week'])



# セグメント作成

points = np.array([dates, df['search_volume']]).T.reshape(-1, 1, 2)

segments = np.concatenate([points[:-1], points[1:]], axis=1)



# シーズン中とオフシーズンに基づいて色を設定

colors = [df['dummy_onseason'].iloc[i] for i in range(len(df)-1)]



# カラーマップと正規化の設定

norm = mcolors.Normalize(0, 1)

cmap = mcolors.LinearSegmentedColormap.from_list('Season', ['#1F77B4', '#FF7F0E'])



# LineCollectionの作成

lc = LineCollection(segments, cmap=cmap, norm=norm, linewidth=2)

lc.set_array(np.array(colors))



# プロットに追加

plt.gca().add_collection(lc)



# ポイントのプロット

plt.scatter(df['week'], df['search_volume'], c=df['dummy_onseason'], cmap=cmap, norm=norm, s=30)



# 最大値と最小値のポイントをマーク

max_val = df["search_volume"].max()

max_idx = df["search_volume"].idxmax()

max_date = df["week"].iloc[max_idx]



min_val = df["search_volume"].min()

min_idx = df["search_volume"].idxmin()

min_date = df["week"].iloc[min_idx]



# 最大値と最小値をプロット

plt.plot(max_date, max_val, 'ro', markersize=8, label='最大値')

plt.plot(min_date, min_val, 'go', markersize=8, label='最小値')



# 注釈を追加

plt.annotate(f'最大値: {max_val}', xy=(max_date, max_val), xytext=(60, 7.5), textcoords='offset points', ha='center', bbox=dict(boxstyle="round,pad=0.3", fc="white", ec="gray", alpha=0.8))

plt.annotate(f'最小値: {min_val}', xy=(min_date, min_val), xytext=(-50, -15), textcoords='offset points', ha='center', bbox=dict(boxstyle="round,pad=0.3", fc="white", ec="gray", alpha=0.8))



# 凡例を作成

onseason_patch = mpatches.Patch(color='#FF7F0E', label='シーズン中')

offseason_patch = mpatches.Patch(color='#1F77B4', label='オフシーズン')



# プロットの美化

plt.grid(True, linestyle='--', alpha=0.5)

plt.title('「西武ライオンズ」の検索ボリュームの推移', fontsize=16)

plt.xlabel('週')

plt.ylabel('検索ボリューム（相対値）')

plt.xlim(df['week'].min(), df['week'].max())

plt.ylim(df['search_volume'].min() - 10, df['search_volume'].max() + 10)

plt.xticks(rotation=45)

plt.legend(handles=[onseason_patch, offseason_patch,

plt.Line2D([0], [0], marker='o', color='w', markerfacecolor='r', markersize=3, label='最大値'),

plt.Line2D([0], [0], marker='o', color='w', markerfacecolor='g', markersize=3, label='最小値')],

loc="best", fontsize="small")

plt.tight_layout()

plt.show()



### 順位の推移 ###

plt.figure(figsize=(12, 6))



# 順位の推移をプロット

plt.plot(df["week"], df["standings"], color='#1F77B4', linewidth=2, marker='o', markersize=5, alpha=1, label='順位')



# y軸を反転

plt.gca().invert_yaxis()



# プロットの美化

plt.grid(True, linestyle='--', alpha=1)

plt.title('西武ライオンズの順位の推移', fontsize=16)

plt.xlabel('週')

plt.ylabel('順位')

plt.xticks(rotation=45)

plt.legend(loc="best", fontsize="small", markerscale=0.8)

plt.tight_layout()

plt.show()



### 自己相関関数のプロット ###

plt.figure(figsize=(12, 6))

plot_acf(df['search_volume'], lags=53, alpha=0.05)



plt.title('「西武ライオンズ」検索ボリュームの自己相関係数', fontsize=12)

plt.tight_layout()

plt.show()



### 状態空間モデルの変数を定義 ###

# 目的変数：西武ライオンズの検索ボリューム

endog = df["search_volume"]



# 説明変数のリスト

list_exog = [

"stnd_onseason", # 順位 × オンシーズンダミー

"dummy_offseason", # オフシーズンダミー

"dummy_camp", # キャンプダミー

"dummy_opening", # 開幕ダミー

"dummy_allstar", # オールスターダミー

"dummy_ps", # ポストシーズンダミー

"dummy_draft", # ドラフトダミー

"dummy_fest", # ファン感謝イベントダミー

"dummy_samurai", # サムライジャパン

"avg_attendance", # パリーグの平均観客数

]



exog = df[list_exog]



### ローカルレベルモデルの構築 ###

local_level = UnobservedComponents(endog, exog=exog, level="local level")



# パラメータの最尤推定

result_ll = local_level.fit(

method='bfgs',

maxiter=10000,

start_params=local_level.fit(method='nm', maxiter=10000).params, # 2段階でパラメータ推定

disp=False

)



# 結果の表示

print(result_ll.summary())



# 推定結果のプロット

result_ll.plot_components()

plt.show()



### 順位の寄与度を可視化 ###

# 状態の推定値を抽出

states_df = pd.DataFrame(result_ll.smoothed_state.T, columns=result_ll.model.state_names, index=endog.index)

mu_t = states_df["level"]



# 外生変数の寄与を計算

exog_contribs = pd.DataFrame(index=endog.index)

for col in exog.columns:

param_name = "beta." + col

exog_contribs[col] = exog[col] * result_ll.params[param_name]



# 順位の寄与のみ抽出

season_contrib = pd.DataFrame(index=endog.index)

if "stnd_onseason" in exog_contribs.columns:

season_contrib["stnd_onseason"] = exog_contribs["stnd_onseason"]



# 順位以外の寄与を合計

other_vars = [col for col in exog_contribs.columns if col != "stnd_onseason"]

other_contribs_sum = exog_contribs[other_vars].sum(axis=1) if other_vars else pd.Series(0, index=endog.index)



# ベースライン + 順位以外の寄与

baseline = mu_t + other_contribs_sum



# 検索ボリュームの予測値

predicted = baseline + season_contrib["stnd_onseason"] if "stnd_onseason" in exog_contribs.columns else baseline



# グラフ作成

fig, ax = plt.subplots(figsize=(20, 10))

time = df["week"] if "week" in df.columns else df.index



# ベースラインをプロット

ax.plot(time, baseline, 'b--', lw=3.5, label='順位を除く全て要素による予測値', zorder=3, alpha=0.8)



# シーズン効果を積み上げエリアとして表示

if "stnd_onseason" in season_contrib.columns:

ax.fill_between(time, baseline, baseline + season_contrib["stnd_onseason"], label='順位効果', alpha=0.7, color='#FF7F0E')



# 観測値を実線で表示

ax.plot(time, endog, 'k-', lw=3.5, label='「西武ライオンズ」検索ボリューム（観測値）', zorder=2, alpha=0.8)



# 凡例とパラメータ値の表示

handles, labels = ax.get_legend_handles_labels()

param_labels = labels.copy()

if "stnd_onseason" in exog.columns:

season_index = labels.index('順位効果')

param_name = "beta.stnd_onseason"

param_value = result_ll.params[param_name]

param_labels[season_index] = f'順位の寄与 (β={param_value:.2f})'



# 凡例とグラフの美化

ax.legend(handles, param_labels, loc='upper left', bbox_to_anchor=(1.01, 1), fontsize=16)

ax.set_title("順位の寄与度", fontsize=20)

ax.set_xlabel("週", fontsize=14)

ax.set_ylabel("検索ボリューム（相対値）", fontsize=14)

ax.grid(True, alpha=0.3)

plt.tight_layout()

plt.show()