Download as PDF, PPTX
![コードはこんな感じ
：
my $scraper = scraper {
process '#ShopLists .ShopName dd', 'addressList[]' => 'TEXT';
};
my $list = "./pref_list.txt";
while(<listfile>) {
my $pref = $_;
my $res = $scraper->scrape(URI->
new("http://www.mcdonalds.co.jp/shop/map/mcd_shop.php/shops?keywo
rd=".$pref."&search.x=0&search.y=0"));
foreach my $address(@{$res->{addressList}}){
print "$address"."¥n";
};
}
：](https://image.slidesharecdn.com/kde4mcdonalds-120223182431-phpapp01/75/slide-12-2048.jpg)
![コードはこんな感じ （今度はpython）
TARGET_FILE = "mac_address.txt“
OUTPUT_FILE = "mac_latlon.csv“
TARGET_URL = "http://www.geocoding.jp/api/? "
f = file(TARGET_FILE, "r")
writer = csv.writer(file(OUTPUT_FILE, "w"), delimiter="¥t")
for line in f:
if line == "¥n": continue
target = unicode(line, "utf-8", "ignore")
query = [("q", line[:-1]), ("v", "1.1")]
url = TARGET_URL + urllib.urlencode(query)
result = urllib.urlopen(url).read()
tree = etree.fromstring(result, parser=etree.XMLParser())
if len(tree.xpath("//lat")) != 0
lat = tree.xpath("//lat")[0].text
lng = tree.xpath("//lng")[0].text
writer.writerow([line[:-1], lat, lng, lat_dms, lng_dms])
time.sleep(5)](https://image.slidesharecdn.com/kde4mcdonalds-120223182431-phpapp01/75/slide-14-2048.jpg)
Uploaded byKanetaka Heshiki
カーネル密度推定を用いた店舗情報の可視化
カーネル密度推定を用いて、日本国内のマクドナルドの分布状況を可視化するというお話です。 解析にはGRASSを使用しています。
カーネル密度推定を用いた店舗情報の可視化
- 1. カーネル密度推定を用いた 店舗情報の可視化 2012年2月23日 heshikik@orkney.co.jp heshikik
- 2. きっかけは1枚の絵 アメリカ全土のマクドナルド分布 http://www.datapointed.net/2009/09/distance-to-nearest-mcdonalds/
- 3.
- 4.
- 5. 同じようなことを考える人はいるようです http://www.codezine.jp/article/detail/6103 http://mglab.blogspot.com/2009/10/blog-post.html
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12. コードはこんな感じ ： my $scraper = scraper { process '#ShopLists .ShopName dd', 'addressList[]' => 'TEXT'; }; my $list = "./pref_list.txt"; while(<listfile>) { my $pref = $_; my $res = $scraper->scrape(URI-> new("http://www.mcdonalds.co.jp/shop/map/mcd_shop.php/shops?keywo rd=".$pref."&search.x=0&search.y=0")); foreach my $address(@{$res->{addressList}}){ print "$address"."¥n"; }; } ：
- 13.
- 14. コードはこんな感じ （今度はpython） TARGET_FILE= "mac_address.txt“ OUTPUT_FILE = "mac_latlon.csv“ TARGET_URL = "http://www.geocoding.jp/api/? " f = file(TARGET_FILE, "r") writer = csv.writer(file(OUTPUT_FILE, "w"), delimiter="¥t") for line in f: if line == "¥n": continue target = unicode(line, "utf-8", "ignore") query = [("q", line[:-1]), ("v", "1.1")] url = TARGET_URL + urllib.urlencode(query) result = urllib.urlopen(url).read() tree = etree.fromstring(result, parser=etree.XMLParser()) if len(tree.xpath("//lat")) != 0 lat = tree.xpath("//lat")[0].text lng = tree.xpath("//lng")[0].text writer.writerow([line[:-1], lat, lng, lat_dms, lng_dms]) time.sleep(5)
- 15. 必要なデータは揃った！ 43.05808,141.355735 43.041,141.326977 43.087173,141.327749 43.068373,141.347621 43.107265,141.339675 43.14021,141.340742 43.07117,141.370255 43.079937,141.403721 43.096212,141.398004 ：
- 16.
- 17.
- 18.
- 19. 空間補間？？ 標高値を持った点群 ボロノイ図形 IDW RST
- 20. Z値を持ったデータではないので これらの方法は不適切 密度を算出してその分布を 可視化できれば良さそう
- 21. カーネル密度推定 • 統計学において、確率変数の確率密度関数 を推定する手法の1つ。 • ある母集団の標本のデータが与えられたとき、 カーネル密度推定を使えばその母集団の データを外挿できる。 wikipediaより抜粋
- 22. 度数分布と言えばヒストグラムだけど… http://www.econ.kobe-u.ac.jp/~nomura/lecture/10f/kd-estimate.pdf
- 23.
- 24.
- 25.
- 26. GRASSで描くとこうなる > v.kernel input=mac@MACoutput=kernel stddeviation=0.03
- 27.
- 28.
- 29.
- 30. 定量的なデータは得られたので 人口密度などとの相関も評価 できるはず・・・ to be continued…
- 31. 参照URL • http://www.codezine.jp/article/detail/6103 • http://mglab.blogspot.com/2009/10/blog- post.html • http://www.mcdonalds.co.jp/shop/map/mcd_ shop.php • http://e8y.net/mag/013-web-scraper/ • http://www.econ.kobe- u.ac.jp/~nomura/lecture/10f/kd-estimate.pdf