時系列データのプロット（Python, matplotlib, seaborn を使用）（Google Colaboratroy へのリンク有り）

1. 前準備

ここでは、最低限の事前準備について説明する。機械学習や深層学習を行う場合は、NVIDIA CUDA、Visual Studio、Cursorなどを追加でインストールすると便利である。これらについては別ページ https://www.kkaneko.jp/cc/dev/aiassist.htmlで詳しく解説しているので、必要に応じて参照してください。

Python 3.12 のインストール

以下のいずれかの方法で Python 3.12 をインストールする。

方法1：winget によるインストール

Python がインストール済みの場合、この手順は不要である。管理者権限のコマンドプロンプトで以下を実行する。管理者権限のコマンドプロンプトを起動するには、Windows キーまたはスタートメニューから「cmd」と入力し、表示された「コマンドプロンプト」を右クリックして「管理者として実行」を選択する。

winget install -e --id Python.Python.3.12 --scope machine --silent --accept-source-agreements --accept-package-agreements --override "/quiet InstallAllUsers=1 PrependPath=1 AssociateFiles=1 InstallLauncherAllUsers=1"

--scope machine を指定することで、システム全体（全ユーザー向け）にインストールされる。このオプションの実行には管理者権限が必要である。インストール完了後、コマンドプロンプトを再起動すると PATH が自動的に設定される。

方法2：インストーラーによるインストール

1. Python 公式サイト（https://www.python.org/downloads/）にアクセスし、「Download Python 3.x.x」ボタンから Windows 用インストーラーをダウンロードする。
2. ダウンロードしたインストーラーを実行する。
3. 初期画面の下部に表示される「Add python.exe to PATH」に必ずチェックを入れてから「Customize installation」を選択する。このチェックを入れ忘れると、コマンドプロンプトから python コマンドを実行できない。
4. 「Install Python 3.xx for all users」にチェックを入れ、「Install」をクリックする。

インストールの確認

コマンドプロンプトで以下を実行する。

python --version

バージョン番号（例：Python 3.12.x）が表示されればインストール成功である。「'python' は、内部コマンドまたは外部コマンドとして認識されていません。」と表示される場合は、インストールが正常に完了していない。

AIエディタ Windsurf のインストール

Pythonプログラムの編集・実行には、AIエディタの利用を推奨する。ここでは、Windsurfのインストールを説明する。

Windsurf がインストール済みの場合、この手順は不要である。管理者権限のコマンドプロンプトで以下を実行する。管理者権限のコマンドプロンプトを起動するには、Windows キーまたはスタートメニューから「cmd」と入力し、表示された「コマンドプロンプト」を右クリックして「管理者として実行」を選択する。

winget install -e --id Codeium.Windsurf --scope machine --accept-source-agreements --accept-package-agreements --override "/VERYSILENT /NORESTART /MERGETASKS=!runcode,addtopath,associatewithfiles,!desktopicon"
powershell -Command "$env:Path=[System.Environment]::GetEnvironmentVariable('Path','Machine')+';'+[System.Environment]::GetEnvironmentVariable('Path','User'); windsurf --install-extension MS-CEINTL.vscode-language-pack-ja --force; windsurf --install-extension ms-python.python --force"

--scope machine を指定することで、システム全体（全ユーザー向け）にインストールされる。このオプションの実行には管理者権限が必要である。インストール完了後、コマンドプロンプトを再起動すると PATH が自動的に設定される。

【関連する外部ページ】

Windsurf の公式ページ: https://windsurf.com/

Python の numpy, pandas, seaborn, matplotlib, scikit-learn のインストール

以下のコマンドを管理者権限のコマンドプロンプトで実行する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。

python -m pip install -U pip setuptools numpy pandas matplotlib seaborn scikit-learn scikit-learn-intelex

2. FordA データセットの準備

1. パッケージのインポート

   import numpy as np
   %matplotlib inline
   import matplotlib.pyplot as plt
   import matplotlib.cm as cm
   

   
2. FordA データセット（TSV 形式ファイル ）のロード

   def readucr(filename):
       data = np.loadtxt(filename, delimiter="\t")
       y = data[:, 0]
       x = data[:, 1:]
       return (x, y.astype(int))
   
   root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
   
   ds_train = readucr(root_url + "FordA_TRAIN.tsv")
   ds_test = readucr(root_url + "FordA_TEST.tsv")
   

   

3. 時系列データのプロット

1. データの確認

   print(ds_train[0].shape)
   print(ds_train[1].shape)
   print(ds_test[0].shape)
   print(ds_test[1].shape)
   

   
2. ds_train[1], ds_test[1] からラベル番号を得る．

   このとき重複を除去する．

   classes = np.unique(np.concatenate((ds_train[1], ds_test[1]), axis=0))
   

   
3. seaborn の準備

   import seaborn as sns
   sns.set()
   

   
4. 時系列データのプロット

   def plot_ts(x, y, classes, top_k, alpha):
   # ラベル付きの時系列データについて、うち、top_k 個をプロット。色はカラーマップ hsv を使って色付け、alpha は透明度。
       MI = np.min(classes)
       MA = np.max(classes)
       R = 0.8
       plt.figure()
       for c in classes:
           for i in x[y == c][0:top_k]:
               cval = R * (c - MI) / (MA - MI)
               plt.plot(i, alpha=alpha, color=cm.hsv(cval))
   
       plt.legend(loc="best")
       plt.show()
       plt.close()
   
   plot_ts(x = ds_train[0], y = ds_train[1], classes = classes, top_k = 10, alpha = 0.1)
   

   
5. 設定を変えてプロット

   plot_ts(x = ds_train[0], y = ds_train[1], classes = classes, top_k = 1, alpha = 1)
   

   
6. 主成分分析の結果である主成分スコアのプロット

   ds_train, ds_test の表示

   ds_train[0], ds_test[0] は主成分分析で２次元にマッピング， ds_train[1], ds_test[1] は色．

   import pandas as pd
   import seaborn as sns
   sns.set()
   import sklearn.decomposition
   # 主成分分析
   def prin(A, n):
       pca = sklearn.decomposition.PCA(n_components=n)
       return pca.fit_transform(A)
   
   # 主成分分析で２つの成分を得る
   def prin2(A):
       return prin(A, 2)
   
   # M の最初の2列を，b で色を付けてプロット
   def scatter_plot(M, b, alpha):
       a12 = pd.DataFrame( M[:,0:2], columns=['a1', 'a2'] )
       a12['target'] = b
       sns.scatterplot(x='a1', y='a2', hue='target', data=a12, palette=sns.color_palette("hls", np.max(b) + 1), legend="full", alpha=alpha)
   
   # 主成分分析プロット
   def pcaplot(A, b, alpha):
       scatter_plot(prin2(A), b, alpha)
   
   pcaplot(ds_train[0], ds_train[1], 0.1)
   

   

   pcaplot(ds_test[0], ds_test[1], 0.1)