最終更新日:2022年08月24日 前口上へ 第1章へ webmaster@snap-tck.com Copyleft (C) 2000 SNAP(Sugimoto Norio Art Production)
最終更新日:2022年08月24日 前口上へ 第1章へ webmaster@snap-tck.com Copyleft (C) 2000 SNAP(Sugimoto Norio Art Production)
現代の価値観では、結婚するしないは個人の自由に属する。したがって「絶対に結婚するな」とまでは言わない。しかし、結婚が男性にとって大きな困難であることは事実だ。数多くのデメリットがあり、非常に高いリスクがある。それらに見合うメリットやリターンが期待できるなら結婚するのも良いだろうが、判断には慎重を期する必要がある。 男は結婚するべきではない男性にとって、結婚のデメリットは増え続け、リスクは高まり続けている。この結果、未婚男性は増え続けている。国立社会保障・人口問題研究所(社人研)発表の人口統計資料集2022年版[1]によれば、2020年時点で男性の生涯未婚率は28.25%(女性は17.81%)に達している。現状ですでに、男性の4人に1人以上が生涯未婚だ。 結婚意欲の低下も止まらない。前出の社人研による第16回 出生動向基本調査(2022年)[2]によれば、18歳から34歳の独身男女に結婚意思
Published 2019/11/20 07:00 (JST) Updated 2019/11/20 10:03 (JST) 読むに堪えない罵詈雑言がはびこるインターネットの世界。意見や表現をめぐり「炎上」という言葉が目立つようになって久しい。自由にものを言えるはずのネット上では、SNSなどを通した過激な意見同士の殴り合いが日常茶飯事で、人々の分断は深まるばかり。安倍政権の対韓輸出管理や、日本赤十字社がポスターで採用した女性のアニメキャラクターの是非をめぐるネット論争は、最近の顕著な例だろう。しかし、驚くべきことに、ネットの世界ではむしろ穏健な人が増えている。10万人の調査で分かったのは、意外な結果だった。どういうことなのか。『ネットは社会を分断しない』(角川新書)の著者の一人、慶応大経済学部の田中辰雄教授(計量経済学)に、解説してもらった。 * * * * * ■「ネトウヨ」「
Skip to the content. 機械学習の研究者を目指す人へ 機械学習の研究を行うためには、プログラミングや数学などの前提知識から、サーベイの方法や資料・論文の作成方法まで、幅広い知識が必要になります。本レポジトリは、学生や新社会人を対象に、機械学習の研究を行うにあたって必要になる知識や、それらを学ぶための書籍やWebサイトをまとめたものです。 目次 プログラミングの準備 Pythonを勉強しよう 分かりやすいコードを書けるようになろう 数学の準備 最適化数学を学ぼう 基本的なアルゴリズムとその実践 機械学習の全体像を学ぼう 基本的なアルゴリズムを学ぼう 深層学習の基礎を学ぼう scikit-learnやPyTorchのチュートリアルをやってみよう サーベイの方法 国際会議論文を読もう Google Scholarを活用しよう arXivをチェックしよう スライドの作り方 論文の
(Photo via VisualHunt) 追記 2017年3月現在の最新書籍リストはこちらです。 最近になってまた色々とデータサイエンティストを目指す人向けのお薦め書籍リストとか資料リストとかが出てきてるんですが、個人的には何かと思うところがあるので僕も適当にまとめておきます。偏りありまくり、完全に主観で決めたリストなので文句が出まくるかと思いますが、もはや毎回のことなのでご容赦を。 なおこちらのリストはあくまでもビジネスの現場でデータ分析を生業にする(しようとしている)人たち向けのものであり、研究者含めたガチ勢の方々向けのものではありませんのでどうか悪しからずご了承下さい。 ちなみに毎回言ってますが、アフィリエイトは全くやっていないのでここに貼られたリンクを踏んで皆さんが購入されても僕の懐には一銭も入りません。拙著だけはそもそも例外ですが(笑)。*1 初級者向け5冊 一応初級者向けと
無料で資料をダウンロード SEOサービスのご案内 専門のコンサルタントが貴社サイトのご要望・課題整理から施策の立案を行い、検索エンジンからの流入数向上を支援いたします。 無料ダウンロードする >> 起業家に役立つ便利なウェブアプリを分野別に25紹介。英語版サービスばかりですが、日本語で使えるモノもありますし、米国の起業家がどのようなサービスを使って仕事をしているのか、と言う参考にもなります。筆者は日本でもお馴染み、ヒートマップのASPサービスを最初に開発したCrazyEggのCEOです。 小規模なビジネスを運営するのは決して楽ではない!通常の管理業務をこなし、財政事情を把握し、さらに、マーケティングの成果を測定しなければいけないこともある。これはほんの序の口だ… 毎日他にも多くの仕事をこなさなければならないのだ。 しかし、幸いにも、作業を効率化させるだけでなく、ビジネスを成長させる上でも役
プロジェクトを開始する前に、市場調査などで統計データを分析し仮説をたてる事は重要ですが、それらの調査対象が世界規模、全国規模になるとコストが掛かりすぎて(特に個人や中小企業の場合)現実的ではありません。 そこで活用したいのが国や団体、民間企業が公開している無料の統計データです。今日はそんなマーケティング担当者ならきっと必見の情報公開を行なっているサイトをご紹介します。 1. 総務省統計局 総務省統計局では様々な統計データが入手可能です。 国税調査 人口推計 労働力調査 小売物価統計調査 土地統計調査 このようなデータはPDF版が一般的ですがExcel形式でダウンロードできるのも魅力ですね。その他にも以下URLより数多くの統計データが入手できます。 また、統計局ではメール配信サービスも行なっています。興味のある方は登録をおすすめします。 www.stat.go.jp 2. 法務省 法務省でも
ちょっとしたデータの加工や集計に、ExcelやGoogle Spreadsheetは便利ですが、それが日常的な作業になってしまったら自動化したいですよね? そこでお勧めなのがpandasです。 Pandasは Python 用のデータ処理パッケージであり、ExcelファイルやCSVなどの表形式データを読みこみ、加工や集計した上で、出力するといったことがプログラムで記述できます。また開発環境を用意しなくとも、Googleが提供する無料の開発環境であるColaboratory上で、すぐに試すことができます。 そしてPythonは、Office 98以降20年以降更新されていないVBAに代わる新たなスクリプト言語として、Microsoftが採用を検討しているという話もあります。 ExcelにPython搭載、マイクロソフトが検討。アンケートを実施中 まずPandasの全体像を掴んでみる Pand
基本的に競馬なんてやるべきではないと私は思っている。胴元の取り分が多いからだ。宝くじに比べればまだましだが、それでも賭け金の20~30%は胴元に取られることになる。*1 しかし今回は、ちょっと思い立って競馬の予測をやってみることにした。 理由は馬券の安さだ。私は現在、資金量が少ない人間でも不利にならない投資先を探しているのだが、馬券の一枚100円という安さは魅力的に映る。株の場合にはどんな安い株であれ最低購入額は数万円以上*2なので、ある程度まとまった資金が必要になる。 また、競馬には技術介入の余地(努力次第で勝利できる可能性)がある。 例えばこんな例がある。 160億円ボロ儲け!英投資会社が日本の競馬で荒稼ぎした驚きの手法 - NAVER まとめ 彼らは統計解析によって競馬で勝っており、その所得を隠していたらしい。こういうニュースが出るということは、解析者の腕次第では競馬で勝てる可能性が
世界中で話題になっているパナマ文書。各国で政権を揺るがすような事態にもなっていますが、純粋にデータとしてみた場合、これは計算機やデータ解析に関わる人々にも面白いものだと思います。データの中身や背景などについてはさんざん報道されていますのでここでは触れません。一方、現場でどのような作業が行われているのかはあまり報道されていません。現実的な問題として、人力ではどうしようもない量のリークデータを手に入れた場合、調査報道機関はどんなことを行っているのでしょうか?私も以前から疑問に思っていたのですが、先日あるデータベース企業と、データ分析アプリケーションを作成する会社のブログにて、その実際の一端を窺うことができる投稿がありました: Panama Papers: How Linkurious enables ICIJ to investigate the massive Mossack Fonseca
「今夜も寝てくれない」「いつ泣きやむのか」「こっちも泣きたい」... どうすれば赤ちゃんを上手に寝かしつけられるのか。 これまで明確な答えがなかった問いに、4人の子どもを育てる研究者が科学で答えを出そうと挑みました。 すると、あの通説“背中スイッチ”を覆す驚きの発見も。寝かしつけや夜泣きに悩む親たちにぜひ知ってもらいたい研究の成果です。 後段に「寝かしつけのコツ」をまとめています。 研究者自身の子育ての苦労が出発点 泣いている赤ちゃんの「寝かしつけのコツ」に科学で挑んだのは、理化学研究所脳神経科学研究センターの黒田公美チームリーダーの研究グループです。 4人の男の子の母親でもある黒田さん。 今回の研究テーマは、初めての子どもを育てたときの苦労が出発点になっているといいます。 「夫も私も、子育ての経験が初めてだったので、どうして泣いているかがわからないというのが本当に大変でした。永遠に泣き続
私がよく参考にする所を三箇所紹介します。いずれも、説明が極めて明瞭で、論理的な整合性や用語の丁寧な使い方を志向している所に好感が持てるサイトです。 ▼Econom01 Web Site, Sophia University, Tokyo, Japan 上智大学の大西博氏のサイト。私が統計関連で最もよく参照する所です。説明の仕方の明瞭さや、具体例を用いた解説がとても良いと思います。確率統計の一つ一つの概念について、大変丁寧に説明されています。たとえば、「相関(および因果関係)」については、 2つの変数の同時分布と、その条件付き分布は、変数の間の数量的結び付きを示しています。この数量的結び付きは、統計的頻度分布として観察されるものであり、現象の背後にある実態的な「関係」や「構造」から導かれる法則性を必要としません。 例えば、人間の身長と体重とは密接な統計的分布関係を持っていますが、両変数を決定
Google が公開している、より良いデータ分析のためのガイドブック「Good Data Analysis」で、データ分析の要所が簡潔にまとめられていて感動した 2022-03-08 Google の非公式ブログで、The Unofficial Google Data Science Blog というデータサイエンスをテーマにしたブログがある。 その中で、 Practical advice for analysis of large, complex data sets の記事を元にして作られた Google Developers Guides: Machine Learning Guides > Good Data Analysis を昨日見かけて読んでいたら素晴らしいドキュメントだったので、ここでその感動を共有したかったので筆をとったしだい。 Good Data Analysis の概
ディープラーニングは特定分野で非常に高い精度が出せることもあり、その応用範囲はどんどん広がっています。 しかし、そんなディープラーニングにも弱点はあります。その中でも大きい問題点が、「何を根拠に判断しているかよくわからない」ということです。 ディープラーニングは、学習の過程でデータ内の特徴それ自体を学習するのが得意という特性があります。これにより「人が特徴を抽出する必要がない」と言われたりもしますが、逆に言えばどんな特徴を抽出するかはネットワーク任せということです。抽出された特徴はその名の通りディープなネットワークの中の重みに潜在しており、そこから学習された「何か」を人間が理解可能な形で取り出すというのは至難の業です。 例題:このネットワークが何を根拠に猫を猫として判断しているか、ネットワークの重みを可視化した上図から答えよ(制限時間:3分) image from CS231n Visua
ラノベのタイトルみたいな記事を書く、という夢が叶いました。 github.com 開発に至った動機 以前から、アマチュアの小説はプロに比べると、描写不足な傾向があるのかもしれない、と思っていました。 特に不足がちだと感じるのは「時間」に関する描写です。 季節がわからなかったり、昼か夜か、平日か休日かみたいなことが不明瞭な作品が多い気がします。 しかし印象だけで語ってもアレなので、実際に差があるのかどうかを計測してみました。 計算式は、 時間描写の文の数 * 時間描写分布のエントロピー / 文の数 です。 「時間描写分布のエントロピー」というのは「全体を通じて、どれだけ満遍なく時間表現が書かれているか」という数字だと思ってください。 例えば時間描写が冒頭部にしかなかったりすると数値が小さくなり、全編を通じて満遍なく描写されていると、数値が大きくなります。 あと時間描写というのは、一応「季節、
データの集計は、ExcelよりPython使ったほうが100倍早い(pandas-profiling, pixiedust)Pythonpandasデータ分析データ可視化pandas-profiling Pythonのpandas-profilingと、pixiedustの2つのライブラリを使うと、データの集計・グラフの作成が、感動的なほど早く終わることを実感したので共有します。 Excelでデータ集計・グラフ作成した場合と比較すると、体感で100倍くらい早く終わります(誇張ではなく) Pythonで爆速でデータ集計する方法(体感所要時間:5分) 前提: 以下の環境が整備されていることは、前提とします。 Pythonのインストール(約30分) データ分析に必要な各種ライブラリのインストール(約30分) →numpy, matplotlib, pandas, jupyter など →Anac
高校で微分を勉強したものの、「なんだかわからないけどただ計算方法だけ覚えた」という困ったレベルに留まっている人は(残念ながら)多いようです。 まずは「微分って何なのか」を図形で理解して欲しいと思います。そこで動く図形で、微分の雰囲気を知って欲しいと思います。 そのための教材の一つとして、授業などで使うべく作成しました。 その1から順に読んで、動かしていってください。 このプログラムを動かすのに必要なファイル全ては、LHAで圧縮したファイルにまとめてあります。 androidの方は、このapkファイルをダウンロードしてくれてもいいです。 プログラムについて御質問、御要望、バグ報告などございましたら、前野[いろもの物理学者]昌弘へメールくださるか、または、twitterにてirobutsuまでメンションしてください。
752万人。ネッテレイティングス発表の2010年3月のTwitterユーザー数です*1。利用者の増加もあり、企業でのTwitter活用事例も増えてきました。しかし分析手法に関してはそれほど語られていません。 自社あるいは競合商品がどのように言及されているのか? Twitter経由のサイトへの流入数とコンバージョン数は? 自アカウントはどのように評価すればよいか? Twitterから情報をどのように取得して無料で分析するか?これが、本記事の内容です。 Twitterはユーザーの素直な声が溢れている情報の宝庫です。例え自社アカウントを持っていなくても、自分達のサービスや業界に関する、幅広い意見が存在します。これをマーケティングに使わない手はありません。 長文ですのでお時間がある時にどうぞ。 目次 1.Twitterの情報取得 1.1つぶやき情報 1.2アカウント情報 1.3アクセス解析情報 2
先日内閣府より公表された「高齢社会白書」に面白いデータが掲載されていました(資料的に面白いですが愉快な内容ではない)。 中位仮定値で将来の人口構成がどのようになっているかを予測したものです。 すでに日本の人口は減少してますが、本格的に人口が急降下していくのは2015〜2020年くらいからです。フリーフォールに乗ると、ゴンドラが頂上に達したら、落下前に一瞬だけ止まります。現在はそんな感じですね。 で、中位予測では今から45年後には3700万人減の8993万人程度になる見込みとなっています。年代別人口比率が変わらずに全体が減少するならまだいいのですが、問題は老人ばっかり増えて子どもや生産年齢人口が大幅に減ることです。 同白書に、高齢世代人口と生産年齢人口の比率の予測値を一覧にしたものがあったので引用します。 45年後の日本は、65歳以上の高齢者を1.3人の生産年齢層で支えていかなければな
本記事は2010年8月時点でのものです。バージョンがあっていない場合や、サイト分析の本質的な考え方以外は、参考にはなりませんのでご了承ください。 Google Analytics を理解する上で、覚えておいた方が良い計測仕様や算出方法をまとめました。 ご指摘や間違い等ございましたら、コメントかメンション頂けると幸いです。 1.$インデックスって何? コンテンツ>>上位のコンテンツ、で表示される値。そのページを経由してコンバージョンされた値の合計を、そのページセッション数で割ったモノ。アシストなどのイメージ。 2.閲覧開始後の遷移とナビゲーションの違い コンテンツ>>上位のコンテンツ>>ページ詳細、と表示し、閲覧開始後の遷移は、直後に遷移したセッション数。ナビゲーションサマリーは、閲覧開始に限らず、その前後のPV数の割合。 3.ページ滞在時間は差分を取る ページ遷移をして、その時間の差分を取
このコーナーでは、ネットビジネスを強力に支援する製品について、それを支える技術や市場動向を説明し、さらに各社から提供されている製品を紹介する。競合商品がひしめく市場で、他社に差を付けるための武器として、ぜひ導入を検討してみてほしい。今回は、「グラフ作成・データ可視化」サービスだ。 売り上げの推移、業界におけるシェア、自社製品の出荷数内訳などなど…。「顧客の説得のため、ウェブサイトでもグラフ要素を掲載したい」といったケースは増えている。大手企業では、PHPを使いデータベースと連動させて動的に最新グラフを表示させる、といった仕組みを用意できる場合もあるが、たいていは「エクセルで作成したグラフを画像として貼り付け」といった、手作業感あふれるものだった。 だが、昨年末にGoogle Chart APIが登場して以降、さまざまなサービスや独自APIが増加し、選択肢がグッと増えてきた。無料で利用できる
2013年の秋、その時の自分は30代前半だった。 衝動的に数学を学び直すことにした。 若くないし、数学を学びなおすには遅すぎると思って尻ごみしていたが、そこを一念発起。 というか軽い気持ちで。ぶっちゃけると分散分析とやらに興味を持ったから。 数学というか統計かな。 統計的に有意差があったといわれてもその意味がさっぱりだった。 一応、理系の大学を出てるので、有意差という単語をちょいちょい耳にはしていたが、 「よくわかんないけどt検定とかいうやつやっとけばいいんでしょ?」 くらいの理解だった。 で、ありがちな多重比較の例で、3群以上の比較にt検定は使っちゃダメだよっていう話を聞いて、なんか自分だけ置いてけぼりが悔しくなって、Amazonをポチッとしたのが全ての始まり。 あと、あの頃はライン作業の工員だったから、脳が疲れてなかったし。 そんなわけで、自分の軌跡を晒してみる。 みんな数学とかプログ
女性と比較すると、ちょうど1世代ずれていると考えるとわかりやすいでしょう。 ただしこの数字をご覧いただければお分かり頂けるように、男性であっても年齢が負の影響を与えるのは間違いありません。確かに女性よりは年齢による婚約指数の減少は少ないですが、それでもそれなりに大きく減少しているので男性も油断は出来ないでしょう。 ※成婚指数:平均的な婚活者と比較して、どの程度成婚できるかという指標 地獄の年収それでは男性の年収は結婚相談所の婚活において、どの程度の影響があるのでしょうか。 結論から言えば「地獄」で御座います。 まず年収300万円未満の場合、グラフにすることすら出来ません。便宜上、白い線を微妙に書かせて頂きましたが、実際の数字はこの白い線すらないとお考え下さいませ。 2019年に結婚相談所で結婚した3492名の男性のうち、年収300万円未満の男性は0.0%で御座います。年収300万円未満で結
東京都福祉保健局: 〒163-8001 東京都新宿区西新宿2丁目8番1号 電話:03-5320-4032 FAX:03-5388-1400 Copyright © Bureau of Social Welfare and Public Health, Tokyo Metropolitan Government. All Rights Reserved.
建設業の受注実態を表す国の基幹統計の調査で、国土交通省が建設業者から提出された受注実績のデータを無断で書き換えていたことがわかった。回収を担う都道府県に書き換えさせるなどし、公表した統計には同じ業者の受注実績を「二重計上」したものが含まれていた。建設業の受注状況が8年前から実態より過大になっており、統計法違反に当たる恐れがある。 この統計は「建設工事受注動態統計」で、建設業者が公的機関や民間から受注した工事実績を集計したもの。2020年度は総額79兆5988億円。国内総生産(GDP)の算出に使われ、国交省の担当者は「理論上、上ぶれしていた可能性がある」としている。さらに、月例経済報告や中小企業支援などの基礎資料にもなっている。調査は、全国の業者から約1万2千社を抽出し、受注実績の報告を国交省が毎月受けて集計、公表する。 国交省によると、書き換えていたのは、業者が受注実績を毎月記し、提出する
pythonの環境構築について "python 環境構築"でググると20万件くらいヒットしますが、割と内容が古いです。 タイトルにはデータサイエンティストと書いてありますが、データサイエンティスト以外にもanacondaはおすすめです。 2.x or 3.x? 3.xは動かないライブラリが多いので2.x推奨 > 3.xで動かないライブラリがある、くらいまで来ました。 easy_installでpipを入れて、setuptoolsも入れて、でもwheelというのもあって... > 古いです。 virtualenv 必須 > そんなこともないです。 winでは64bitは不具合が多いので32bit推奨 > 古いです。 winでは非公式バイナリからダウンロードしてインストール > お世話になりましたが、最近は使っていません。 2016版 OS毎python環境構築法決定版 Windows: an
by Personal Creations 総務省統計局が公開している平成25年住宅・土地統計調査の中には「世帯の年間収入階級(5区分)」というデータがあり、「300万円未満、300万円〜500万円、500万円〜700万円、700万円〜1000万円、1000万円以上」の世帯がどのくらいあるかが調査されているのですが、そのデータを地図上にマッピングしたのが「世帯の年間収入マップ」です。「年収1000万円以上の世帯が5%を超える地域」など指定することで、どの地域にどういう年収の世帯が多いのかが一目でわかるようになっています。 世帯の年間収入マップ http://shimz.me/datavis/mimanCity/ ウェブサイトはこんな感じ。 画面左下から世帯年収を「300万円未満」「300万円~500万円」「500万円~700万円」「700万円~1000万円」「1000万円以上」に設定可能で
追記 【2020年版・初心者向け】独学でAIエンジニアになりたい人向けのオススメの勉強方法 【保存版・初心者向け】独学でAIエンジニアになりたい人向けのオススメのAI勉強方法 また、Pythonや機械学習がオンライン上で学べるAI Academyをnoteでも書きましたが、3/17日からほとんどのコンテンツを永続的に無料で利用できるよう致しましたので、是非使って頂けますと幸いです。 AI Academy Bootcamp 我々が提供している個人向けオンラインAIブートキャンプのご紹介です。 AI Academy Bootcamp AI Academy Bootcampは、「短期間でAI活用スキルを付けたい」と考えている方や、 「データサイエンティスト」や「機械学習エンジニア」として就業を目指している方向けの AI特化型オンラインブートキャンプです。 講義動画とオンラインマンツーマンの演習授
文:Daniel Sim 分析:Lee Shangqian、Daniel Sim、Clarence Ng ここ数ヶ月、シンガポールのMRT環状線では列車が何度も止まるものの、その原因が分からないため、通勤客の大きな混乱や心配の種となっていました。 私も多くの同僚と同じように環状線を使ってワンノースのオフィスに通っています。そのため、11月5日に列車が止まる原因を調査する依頼がチームに来た時は、ためらうことなく業務に携わることを志願しました。 鉄道運営会社SMRTと陸上交通庁(LTA)による事前調査から、いくつかの電車の信号を消失させる信号の干渉があり、それがインシデントを引き起こすことが既に分かっていました。信号が消失すると列車の安全機能である緊急ブレーキが作動するため、不規則に電車が止まる原因となります。 しかし8月に初めて発生した今回のインシデントは、不規則に起こっているように見えるた
統計をこれから学ぼうという方にとって、非常に重要な概念ですが理解が難しいものに「標準偏差」があると思います。「平均」くらいまでは馴染みもあるし、「わかるわかるー」という感じと思いますが、突如現れる「標準偏差」 の壁。結構、この辺りで、「数学無理だー」って打ちのめされた方もいるのではないでしょうか。 先にグラフのイメージを掲載すると、下記の赤い線の長さが「標準偏差」です。なぜこの長さが標準偏差なのか、ということも解き明かしていきます。 (code is here) 本記事では数学が得意でない方にもわかるように1から標準偏差とはなにか、を説明してみようという記事です。 数式はわかるけど、イマイチ「標準偏差」の意味わからんという方にも直感的な理解がしてもらえるような説明もしていきますので、ぜひご覧ください。 (※ この記事では標準偏差の分母に $n$を使用しています。$n-1$を使用するケースも
おはようございます! 私は @call_me_nots といいまして、今年の「ひどいグラフ」No.1 を決めるイベントを今日からやってみようと思っている者です。 雑すぎるグラフ、激しくミスリーディングなグラフ、純粋に意味がわからない謎のグラフ――。 世の中には日々たくさんの「ひどいグラフ」が生まれては消えていきます。 そんな中、ぜひ少しでも多くの人に、そんな残念すぎるグラフを楽しんでいただきたい! そんな想いで、何か出来ることはないかなあと考えてみたところ、やっぱり普段からいろんなグラフを見ている人に、ランキング作ってもらえると分かりやすいかなあと思いまして。 成長可能性説明資料、ミルフィーユ集。 ⚡️ "本日のミルフィーユ"https://t.co/K9ZFavumn7 — 空き缶 (@akikankeri) April 10, 2018 上場企業の変なグラフを毎週のように楽しんでおられ
東日本で発生したマグニチュード9.0の大地震によって 日本経済の中心、そして世界経済に強い影響を与える東京を含む 東京電力のサービスエリア(関東1都6県+山梨県+静岡県東部)が 現在、計画停電という状況に追い込まれています。 いつまで計画停電が続くのか・・・実際に停電に遭遇されている方々には とっても気になるところであるかと思います。 東京電力の電力需給につきまして、私は若干の知識がありますので、 この記事で理性的に考えてみたいと思います。 東京電力の発電設備と現在の可能供給力 まず、東京電力の発電設備ですが、大きくは次の3つに分けられます。 水力発電所:約850万kW 火力発電所:約3700万kW 原子力発電所:約1750万kW ちなみに他に風力発電所や地熱発電所もありますが、 水力・火力・原子力に比べると発電量は微々たるものです。 さて、総計約6300万kWの発電設備のうち 少なくとも
最近ツイッター界隈で不思議な円グラフを見かけました。 こんなやつです。 ちょっと調べてみると昨年の報道番組からキャプチャした映像のようです。 このグラフを見て、その手があったか!という新鮮な驚きを感じました。これまでの円グラフの常識にとらわれず、円の中心からあえてずらした位置から分割することで飛躍的に表現の幅を向上させています。無味乾燥で機械的なグラフにくらべて製作者の強い思いがぐっと伝わってきます。なんとイノベーティブでなんとワンダーなグラフなのでしょう。 でも、このグラフ、実際に描こうと思うとけっこう面倒です。Excelのグラフ機能をみても中心点の位置をずらす方法はなさそうです。 そんなわけでゆがんだ円グラフを描くウェブサービスを作りました。 ワンダー・グラフ・ジェネレイター 項目の追加変更はもちろん、中心をずらしたり、楕円形にして項目を強調したりできます。円グラフの秘められた表現力を
Haruka Sakamoto @harukask1231 医師 / 修士(公衆衛生学)/ 博士(国際保健学) 東京女子医科大学 グローバルヘルス部門 准教授 日本医療政策機構 シニアマネージャー 東京財団政策研究所 主任研究員 専門は国際保健・医療政策です。 国際保健や医療関係の話題、また以前住んでいたイラン・中東の話題が中心です。 Haruka Sakamoto @harukask1231 日本の少子化の要因を分析した論文を発表しました(共著) 結論は、「高収入・高学歴の人ほど子供を産んでいるし、子供の数も多い」でした(ざっくりした説明ですが) 詳細は以下に続きます。 journals.plos.org/plosone/articl… 2022-04-28 17:24:07 リンク journals.plos.org Salaries, degrees, and babies: Tre
たまたま見かけたレジャー白書(7,700円税込)を読んだんだけど、かなり衝撃的だった。 ■何が衝撃的だったか? 余暇の人口が激減している。 それも特定の分野に限らず、ほぼ全てで。 ■例えば何が激減してるの? ※2012年→2021年 ※単位:すべて「万人」 ・屋内の趣味 囲碁:400→150 ビリヤード:460→210 写真:2150→1070 陶芸:250→110 お茶:300→150 ・スポーツ ジョギング:2450→1820 卓球:830→540 サッカー:570→360 バスケ:390→290 他にもたくさん書かれているんだけど、ほぼ全てで人口が減っている。 ■なぜ減少しているのか? 詳しく書かれていないけど、推測としてスマホだろうと。 スマホに関してはなぜかほぼ書かれていない。 唯一「動画鑑賞:3420→3690」がおそらくスマホだろう。 これは人口が増えている数少ない趣味。 ■
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く