🪩

Pythonで回帰分析（Coef × logP）を使った印象評価を可視化

に公開
Python
マーケティング
データ可視化
回帰分析
tech

📌はじめに

回帰分析ってよく聞きますが、
要するに「原因と結果の関係を数値で明らかにする手法」です。

回帰分析を使って、各パーツが印象にどれほど影響しているかを明らかにします。

📌調査内容と分析に使用する入力データ(架空の調査データです）

30人の被験者に対して以下のような評価を実施しました。
（実際の調査では、数百人以上の被験者がいるほうが望ましいです）

📌目的

  • どのパーツがどの印象にどのように影響しているかを明らかにする
  • 特に印象を悪化させているパーツ（改善が必要な箇所）を特定する

1. イメージ評価（各車種ごと）

  1. 被験者に実際の A車・B車・C車 の3台を提示。
  2. 各車について、あらかじめ用意したイメージワードから、当てはまると思うものをすべて選択してもらいました。
    • 複数回答可（MA: Multiple Answer）
    • 該当するワードがなければ未回答も可能
  3. 回答結果を数値に変換
    • 選択されたワード → 1
    • 未選択 → NaN

2. パーツ評価（各車種ごと）

  1. 各車について、「好きなパーツ」を2箇所、「嫌いなパーツ」を2箇所選択してもらいました
  2. 回答結果を数値に変換
    • 好きなパーツ → 1
    • 嫌いなパーツ → -1
    • 選択なし → NaN

3. 分析に使用するInputデータ

上記の回答結果が、分析に使用する sample_car_data.csv です。

列 内容 備考
A ID 被験者ごとのユニークID
B Car 調査対象の車名
C～K 車に対するイメージワード（※以降 Trait） 各列に異なるイメージ項目が入る
N～S 車のパーツ名（※以降 Part） 調査対象の車の各パーツ名

📌環境

python3.x

📌フォルダ構成

├─ 1_flow/
│   └─ part-trait-regression.py       # 実行用スクリプト
├─ 2_data/
│   └─ area_image.csv           # 入力データ
├─ 3_output/                    # データ出力先（スクリプト実行時に自動作成）

📌コード解説（corres_analysis.py）

import os
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
import statsmodels.api as sm
import seaborn as sns
import matplotlib.pyplot as plt
import japanize_matplotlib
from matplotlib.backends.backend_pdf import PdfPages
import matplotlib.colors as mcolors

# =========================
# ディレクトリ・ファイル設定
# =========================
INPUT_FOLDER = '2_data'
OUTPUT_FOLDER = '3_output'

parent_path = os.path.dirname(os.getcwd())
input_path = os.path.join(parent_path, INPUT_FOLDER, 'area_image.csv')
output_path = os.path.join(parent_path, OUTPUT_FOLDER)
os.makedirs(output_path, exist_ok=True)

save_name_1 = os.path.join(output_path, "1_分析条件を満たしたデータ.csv")
save_csv_radar = os.path.join(output_path, "2_回帰集計.csv")
save_csv_wide_all = os.path.join(output_path, "3_回帰結果_横長.csv")

save_pdf_he = os.path.join(output_path, "2_3_回帰結果_まとめ.pdf")
save_pdf_pl = os.path.join(output_path, "4_散布図と棒グラフまとめ.pdf")
save_pdf_re = os.path.join(output_path, "5_レーダーチャートまとめ.pdf")


# =========================
# 閾値
# =========================
threshold = 6

# =========================
# データ読み込み
# =========================
try:
    df = pd.read_csv(input_path, encoding="utf-8")
except UnicodeDecodeError:
    df = pd.read_csv(input_path, encoding="cp932")

1. 閾値の設定

  • threshold = 6 は、1つのパーツやイメージが選択された回数の基準値です
  • この回数未満の場合、その項目は分析や処理から除外されます
  • 今回は 選択数が6未満 の項目は分析対象外としています
# ==========================================
# 車毎に image_/area_ を閾値でフィルタ
# ==========================================
def filter_columns_by_car(df, prefix, threshold):
    target_cols = [c for c in df.columns if c.startswith(prefix)]
    filtered_dfs = {}
    for car in df['Car'].unique():
        df_car = df[df['Car'] == car]
        counts = df_car[target_cols].apply(lambda col: col.isin([1, -1]).sum())
        keep_cols = counts[counts >= threshold].index.tolist()
        filtered_dfs[car] = df_car[['ID', 'Car'] + keep_cols]
    return filtered_dfs

df_image_filtered = filter_columns_by_car(df, "image_", threshold)
df_area_filtered = filter_columns_by_car(df, "area_", threshold)
df_filtered_by_car = {car: pd.merge(df_image_filtered[car], df_area_filtered[car], on=['ID', 'Car'])
                      for car in df['Car'].unique()}
df_all = pd.concat(df_filtered_by_car.values(), ignore_index=True)
df_all.to_csv(save_name_1, index=False, encoding="utf-8-sig")

2. 車ごとに image_/area_ を閾値でフィルタ

  • 閾値 threshold = 6 未満のイメージやパーツはデータから除外します
  • filter_columns_by_car 関数の処理内容:
    1. image_ または area_ で始まる列を見つける
    2. 車ごとに、1（好き） や -1（嫌い） のカウント数が6以上の列だけを残す
❓ なぜ除外するの？

選択数が少ない（例：2件など）場合、偶然や外れ値の影響を受けやすく、
分析結果が偏ったりノイズの原因となる可能性が高いためです。

# =========================
# 回帰分析
# =========================
trait_cols = [c for c in df_all.columns if c.startswith("image_")]
area_cols = [c for c in df_all.columns if c.startswith("area_")]
trait_cols_clean = [c.replace("image_", "") for c in trait_cols]
area_cols_clean = [c.replace("area_", "") for c in area_cols]

all_results, all_pvalues = [], []

for car in df_all['Car'].unique():
    df_car = df_all[df_all['Car'] == car].copy()
    trait_result = pd.DataFrame(index=trait_cols_clean, columns=area_cols_clean)
    trait_pvalues = pd.DataFrame(index=trait_cols_clean, columns=area_cols_clean)
    counts = {}

    for trait_orig, trait_clean in zip(trait_cols, trait_cols_clean):
        y = df_car[trait_orig].fillna(0)
        X = df_car[area_cols].fillna(0)
        counts[trait_clean] = (y != 0).sum()

        if y.nunique() <= 1:
            trait_result.loc[trait_clean] = [0] * len(area_cols_clean)
            trait_pvalues.loc[trait_clean] = [np.nan] * len(area_cols_clean)
            continue

        X_scaled = StandardScaler().fit_transform(X)
        X_sm = sm.add_constant(X_scaled)
        results_sm = sm.OLS(y, X_sm).fit()
        trait_result.loc[trait_clean] = np.round(results_sm.params[1:].values, 3)
        trait_pvalues.loc[trait_clean] = np.round(results_sm.pvalues[1:].values, 3)

    trait_result.insert(0, "Count", pd.Series(counts))
    trait_pvalues.insert(0, "Count", pd.Series(counts))
    trait_result = trait_result.sort_values(by="Count", ascending=False)
    trait_pvalues = trait_pvalues.loc[trait_result.index]
    trait_result["Car"] = car
    trait_pvalues["Car"] = car
    trait_result = trait_result.reset_index().rename(columns={"index": "Trait"})
    trait_pvalues = trait_pvalues.reset_index().rename(columns={"index": "Trait"})

    all_results.append(trait_result)
    all_pvalues.append(trait_pvalues)

final_result = pd.concat(all_results, ignore_index=True)
final_pvalues = pd.concat(all_pvalues, ignore_index=True)
final_result = final_result[final_result['Count'] > 0].reset_index(drop=True)
final_pvalues = final_pvalues[final_pvalues['Count'] > 0].reset_index(drop=True)

3. 回帰分析

各車ごとに、イメージ指標（image_ 列） を目的変数、
パーツ（area_ 列） を説明変数として、通常の最小二乗回帰（OLS）を実施します。

処理の流れ

  1. 列名から接頭辞 image_ / area_ を取り除き、表示用ラベルを作成
  2. 車ごとにループ処理
    • 各イメージ指標（Trait）を 目的変数 y、各パーツを 説明変数 X として回帰を実行
    • 欠損値は回帰できないため便宜的に 0 で埋める（＝「影響なし」と仮定）
    • 目的変数 y が定数（例：全員 0）の場合は回帰をスキップ
    • 説明変数 X は標準化（StandardScaler）してから回帰
      → スケールの違いを調整するため
    • 定数項（切片）も計算されますが、保存するのは各パーツ列のみ
    • 回帰係数・p値は小数点3桁に丸めて DataFrame に格納
  3. 目的変数が非ゼロとなったサンプル数を Count として追加
  4. Count が多い順に並び替え
  5. 全車の結果を結合し、Count > 0 の Trait のみを最終結果として残す
❓回帰係数・P値・logPとは❓
  • 回帰係数 = 効果の大きさ
  • P値 = その効果の信頼性
  • logP = P値を見やすくしたもの
用語 意味 ポイント
回帰係数 変数が1増えると、結果がどっち向きにどれくらい変わるかを示す数字 ＋なら増える方向、−なら減る方向
P値 この効果が本当にありそうか、それとも偶然かを確かめる確率 小さいほど「本物っぽい」
logP P値をわかりやすく変換したもの 数字が大きいほど「有意性が高い」 
# =========================
# 回帰係数・P値・logP
# =========================
all_radar_data = []
columns_radar = area_cols_clean
cars = df_all['Car'].unique()
for car in cars:
    coefs = final_result[final_result['Car']==car].set_index('Trait')[columns_radar].astype(float)
    pvals = final_pvalues[final_pvalues['Car']==car].set_index('Trait')[columns_radar].apply(pd.to_numeric, errors='coerce')
    for trait in coefs.index:
        for part in columns_radar:
            all_radar_data.append({
                "Trait": trait,
                "Part": part,
                "Coef": coefs.loc[trait, part],
                "pvalue": pvals.loc[trait, part],
                "Car": car
            })

df_radar = pd.DataFrame(all_radar_data)
# p値を直感的に扱えるよう変換
df_radar["logP"] = -np.log10(df_radar["pvalue"].clip(lower=1e-10))

# --- 2_回帰集計.csv 保存 ---
df_radar.to_csv(save_csv_radar, index=False, encoding="utf-8-sig"

# ==========================================
# df_radar を横長に変換して Coef と logP をまとめる
# ==========================================

# --- Coef 横長 ---
df_coef_wide = df_radar.pivot_table(
    index=["Car", "Trait"],
    columns="Part",
    values="Coef"
).reset_index()

# --- logP 横長 ---
df_logp_wide = df_radar.pivot_table(
    index=["Car", "Trait"],
    columns="Part",
    values="logP"
).reset_index()

# --- Count 列を追加（Coef が 0 でない数をカウント） ---
counts = df_radar[df_radar["Coef"] != 0].groupby(["Car", "Trait"]).size().reset_index(name="Count")

# --- マージ ---
df_wide_all = pd.merge(df_coef_wide, df_logp_wide, on=["Car", "Trait"], suffixes=("_Coef", "_logP"))
df_wide_all = pd.merge(df_wide_all, counts, on=["Car", "Trait"], how="left")

# --- 列順を整理 ---
cols_order = ["Car", "Trait", "Count"] + [c for c in df_wide_all.columns if c not in ["Car", "Trait", "Count"]]
df_wide_all = df_wide_all[cols_order]

# --- 回帰結果_横長.csv 保存 ---
df_wide_all.to_csv(save_csv_wide_all, index=False, encoding="utf-8-sig")

df_wide_all.head()

4. 回帰係数・P値・logP

回帰分析の結果を、可視化で使いやすい形に整形します。

処理の流れ

  1. final_result（回帰係数）と final_pvalues（p値）から、車ごとのデータを抽出
  2. 各 イメージワード（Trait） × パーツ（Part） × 車種（Car） の組み合わせごとに
    • Coef（回帰係数）
    • pvalue（p値）
    • Car（車種）
      をロング形式に展開
  3. pvalue を信頼性指標として扱いやすくするため、-log10(pvalue) を logP として算出
    • P値が 0 になるのを避けるため、下限を 1e-10 に設定
  4. 縦持ちのマスター表（df_radar）を作成し、CSV保存
  5. df_radar を横持ちに変換して、Coef と logP をまとめたCSV も出力
❓logP の計算処理とは❓
# p値を直感的に扱えるよう変換
df_radar["logP"] = -np.log10(df_radar["pvalue"].clip(lower=1e-10))
  • pvalue 列：回帰分析で出た P値（偶然の可能性）。小さいほど信頼性が高い
  • clip(lower=1e-10)：P値がゼロに近すぎる場合でも、ゼロ割りや無限大を防ぐ
  • -np.log10(...)：P値を「大きいほど有意性が高い」と直感的に見やすく変換する

数値例

  • P = 0.05 → logP ≈ 1.3
  • P = 0.01 → logP = 2
  • P = 0.001 → logP = 3

👉 logP が大きいほど「信頼性が高い」 と直感的に読み取れます


2_回帰集計.csv

2_回帰集計.csv の解説

1. Coef（回帰係数）

  • 各パーツが Trait（イメージワード）の評価に与える影響の大きさと方向を示します。
  • 正の値 → Trait のイメージを強める方向に影響
  • 負の値 → Trait のイメージを弱める方向に影響
  • 数値の大きさは影響の大きさを示す
  • 例：
    • ホイール：-0.092 → Futuristic のイメージを少し下げる
    • アッパーグリル：0.059 → Futuristic を少し上げる
    • リアグリル：0.012 → ほとんど影響なし

2. pvalue（P値）

  • 「この影響が偶然でないか」の確からしさを示す統計値
  • 小さいほど「偶然ではない＝信頼性が高い」
  • 一般的に 0.05 以下は統計的に有意とされるが、ここでは傾向の目安として使用
  • 例：
    • ホイール：0.205 → 弱い傾向ありだが有意ではない
    • アッパーグリル：0.417 → 偶然の可能性が高い
    • リアグリル：0.875 → ほぼ影響なし

3. logP（-log10(P値)）

  • P値を直感的に扱いやすく変換した値
  • 大きいほど信頼できる影響
  • 計算例：
    • P = 0.05 → logP ≈ 1.30
    • P = 0.01 → logP = 2
    • P = 0.001 → logP = 3
  • 例：
    • ホイール：0.688 → 信頼度は低め
    • アッパーグリル：0.380 → 信頼できない
    • リアグリル：0.058 → 信頼度ほぼゼロ

4. Coef と logP の関係

  • Coef は「影響の方向と大きさ」、logP は「その影響の信頼度」を示す
  • 実務的にはこの組み合わせで判断するのが効果的。
Part Coef pvalue logP ポイント
ホイール -0.092 0.205 0.688 Futuristic感をやや下げるが信頼度低め
アッパーグリル 0.059 0.417 0.380 わずかに上げる傾向、ほぼ不確か
リアグリル 0.012 0.875 0.058 ほとんど影響なし、信頼度も低い

5. 読み取り方表

状況 読み解き
Coef 大 & logP 小 見た目の効果は大きいけど偶然の可能性あり
Coef 小 & logP 大 小さいけど確実な効果
Coef 大 & logP 大 効果が大きく確実
Coef 小 & logP 小 ほぼ影響なし

💡 まとめ

  • Coef が大きくても logP が小さい → 偶然の可能性あり
  • logP が大きければ Coef が小さくても確実に影響していると判断可能
  • Coef と logP をセットで見ることが重要


回帰結果_横長.csv

回帰結果_横長.csv の解説

各 Trait と Part ごとの 回帰係数（Coef） と有意性（-log10(P値 / logP)）を
横長形式で整理した 回帰結果_横長.csv のイメージです。

  • Car：車種
  • Trait：評価項目（例：Futuristic, Sporty など）
  • Count：その Trait に対して有効なサンプル数
  • 各 Part 列：Trait ごとの回帰係数（Coef）
  • 各 Part_logP 列：Trait ごとの -log10(P値)（logP）

この形式にすることで、回帰係数（Coef）の大きさと**有意性（logP）**を一目で比較でき、
ヒートマップやレーダーチャート作成時の入力データとしてもそのまま利用可能です。

# =========================
# 共通設定
# =========================
exclude_cols = ["Car", "Trait", "Count"]
columns_to_plot = [c for c in final_result.columns if c not in exclude_cols]
cars = final_result["Car"].unique()
n_cars = len(cars)

# ====================================
# 回帰係数・-log10(P値)ヒートマップPDF
# ====================================
fig, axes = plt.subplots(2, n_cars, figsize=(12*n_cars, 16), squeeze=False)
for idx, car in enumerate(cars):
    coefs = final_result[final_result['Car']==car].set_index('Trait')[columns_to_plot].astype(float)
    sns.heatmap(coefs.T, annot=True, annot_kws={"size": 20}, cmap="coolwarm", center=0,
                linewidths=0.5, cbar_kws={'label': '回帰係数'}, ax=axes[0, idx])
    axes[0, idx].set_title(f"{car}：回帰係数", fontsize=14)

    pvals = final_pvalues[final_pvalues['Car']==car].set_index('Trait')[columns_to_plot].apply(pd.to_numeric, errors='coerce')
    log_pvals = -np.log10(pvals.clip(lower=1e-10))
    sns.heatmap(log_pvals.T, annot=True, annot_kws={"size": 20}, cmap="YlGnBu",
                linewidths=0.5, cbar_kws={'label': '-log10(P値)'}, ax=axes[1, idx])
    axes[1, idx].set_title(f"{car}：-log10(P値)", fontsize=14)

plt.tight_layout()
plt.savefig(save_pdf_he, dpi=300, bbox_inches='tight')
plt.close()

5.共通設定

  • ヒートマップ作成で使わない列を除外
exclude_cols = ["Car", "Trait", "Count"]
columns_to_plot = [c for c in final_result.columns if c not in exclude_cols]
  • 車種リストと車種数を取得
cars = final_result["Car"].unique()
n_cars = len(cars)

6. 回帰係数（Coef）・-log10(P値)ヒートマップ PDF

回帰分析結果を可視化するため、回帰係数（Coef） と -log10(P値) を車ごとにヒートマップとして描画し、PDF に保存します。

処理の流れ

  1. matplotlib の subplots で、車ごとに 2 行（上：Coef、下：logP）× N 車列の図を作成
  2. 車ごとにループ
    • 回帰係数（Coef）を抽出してヒートマップ表示
      • 使用関数：seaborn.heatmap
      • カラーマップ：coolwarm（中心 0）
    • -log10(P値)（logP） を抽出しヒートマップ表示
      • カラーマップ：YlGnBu
  3. レイアウトを整え、PDF 保存

ヒートマップの意味

  • 回帰係数（Coef）

    • パーツが Trait に与える影響の大きさと方向
    • 正 → Trait を増加させる方向
    • 負 → Trait を減少させる方向

  • -log10(P値)（logP）

    • 影響の信頼性を直感的に示す値
    • 値が大きいほど「確からしさが高い」
    • 例：P=0.05 → logP ≈ 1.3、P=0.01 → logP=2

💡 まとめ

  • ヒートマップ PDF により、車ごとの Trait に対するパーツ影響と信頼性を一目で比較可能
  • Coef と logP を組み合わせて読むことで、影響の方向・大きさ・信頼性 が視覚的に理解できる
グラフ例

💡 Coef（効果の大きさ）と logP（信頼性）をセットで見ることが重要

  • Coef が大きくても、logP が低いと「たまたまそう見えただけ」かもしれない
  • Coef が小さくても、logP が高ければ「確実にその方向の効果がある」といえる

👉 解釈のポイント

  • Coef が大きくても、logP が低いと「たまたま見えただけ」かもしれない
  • Coef が小さくても、logP が高ければ「確実にその方向に影響している」といえる
# =========================
# 散布図・棒グラフPDF
# =========================
def prepare_data(car):
    coefs = final_result[final_result['Car']==car].set_index('Trait')[columns_to_plot]
    pvals = final_pvalues[final_pvalues['Car']==car].set_index('Trait')[columns_to_plot].apply(pd.to_numeric, errors='coerce')
    log_pvals = -np.log10(pvals.clip(lower=1e-10))
    df_coef_melt = coefs.reset_index().melt(id_vars='Trait', var_name='Part', value_name='Coef')
    df_logp_melt = log_pvals.reset_index().melt(id_vars='Trait', var_name='Part', value_name='logP')
    df_merge = pd.merge(df_coef_melt, df_logp_melt, on=['Trait', 'Part'])
    df_merge['Label'] = df_merge['Trait'] + " × " + df_merge['Part']
    df_merge['Car'] = car
    return df_merge

all_data = [prepare_data(car) for car in cars]

with PdfPages(save_pdf_pl) as pdf:
    fig, axes = plt.subplots(2, n_cars, figsize=(8*n_cars, 12), squeeze=False)
    for idx, df_merge in enumerate(all_data):
        car = df_merge['Car'].iloc[0]

        # ---- 散布図 ----
        ax = axes[0, idx]
        # 正のCoefは赤、負のCoefは青、濃淡＝logP
        norm = mcolors.TwoSlopeNorm(vmin=df_merge['Coef'].min(),
                                    vcenter=0,
                                    vmax=df_merge['Coef'].max())
        scatter = ax.scatter(df_merge["Coef"], df_merge["logP"],
                             c=df_merge["Coef"], cmap="RdBu_r", norm=norm, s=80, edgecolor='k')
        ax.axhline(-np.log10(0.05), color='gray', linestyle='--')
        ax.axvline(0, color='black', linewidth=1)
        ax.set_xlabel("回帰係数", fontsize=12)
        ax.set_ylabel("-log10(P値)", fontsize=12)
        ax.set_title(f"{car}：パーツの影響と信頼性", fontsize=14)
        for _, row in df_merge.iterrows():
            ax.text(row["Coef"], row["logP"], f'{row["Part"]}\n({row["Trait"]})',
                    fontsize=10, ha='right')

        # ---- 棒グラフ ----
        ax = axes[1, idx]
        # logP を 0-1 に正規化
        norm_logp = df_merge['logP'] / df_merge['logP'].max()        
        # Coef の符号ごとに色を割り当て
        colors_bar = [plt.cm.Reds(v) if c > 0 else plt.cm.Blues(v) for c, v in zip(df_merge['Coef'], norm_logp)]
        ax.barh(df_merge['Label'], df_merge['Coef'], color=colors_bar, edgecolor='black')
        ax.axvline(0, color='black', linewidth=0.8)
        ax.set_xlabel("回帰係数", fontsize=12)
        ax.set_title(f"{car}：パーツごとの回帰係数（色＝有意性）", fontsize=14)

    plt.tight_layout()
    pdf.savefig(fig, bbox_inches='tight')
    plt.close()

7. 散布図・棒グラフ PDF

回帰分析結果を Coef（回帰係数） と -log10(P値) で可視化し、
パーツごとの影響と信頼性を直感的に把握します。

7-1. 散布図（Coef × -log10(P値））の解説

軸の意味

  • X軸（横）＝ 回帰係数（Coef）
    • ＋側 → 好印象
    • −側 → 不評
  • Y軸（縦）＝ -log10(P値)
    • 上に行くほど統計的に信頼できる
    • 下のほうは偶然の可能性あり

💡 数値例

  • P = 0.05 → -log10(P) ≈ 1.3
  • P = 0.01 → -log10(P) = 2
  • P = 0.001 → -log10(P) = 3

💡 ポイント

  • 右上：好印象かつ信頼性高い
  • 左上：不評かつ信頼性高い
  • 中央付近：影響小
  • 下側：信頼性低
  • 点の色：回帰係数（Coef） の符号で変化
    • 赤系 → プラス（好印象）
    • 青系 → マイナス（不評）
散布図例

7-2. 棒グラフ（パーツごとの回帰係数）解説

表現の意味

  • 横軸＝ 回帰係数（Coef）
    • 棒の長さで影響の大きさを表す
    • ＋なら好印象、−なら不評
  • 棒の色の濃さ＝ -log10(P値)
    • 濃いほど信頼性高
    • 薄いほど偶然の可能性あり
  • 棒の色＝ 回帰係数（Coef） の符号で変化
    • 赤系 → プラス（好印象）
    • 青系 → マイナス（不評）

💡 数値例

  • P = 0.05 → 色の濃さ ≈ 1.3

  • P = 0.01 → 色の濃さ = 2

  • P = 0.001 → 色の濃さ = 3

  • 縦軸ラベル＝ Trait × Part

    • 各性質とパーツの組み合わせを示す

💡 ポイント

  • 棒の長さ → 影響の大きさ
  • 棒の色の濃さ → 信頼性の高さ
  • Trait × Part の比較に便利
    い
棒グラフ例

赤＝正、青＝負、濃い色＝有意性が高い

まとめ

  • 散布図 = 「鳥の目」
    → 全体像をざっくり俯瞰して、どのパーツが効いているかを直感的に把握できる

  • 棒グラフ = 「虫の目」
    → 個別パーツをランキング的に比較して、どれが効いているか丁寧に見られる

👉 両方を組み合わせることで、全体感も細部の違いもわかる分析 が可能

# =========================
# レーダー描画関数
# =========================
def plot_radar_ax(ax, df, parts, angles, traits, title, yticks=None):
    for part in parts:
        vals = df.loc[part].tolist()
        vals += vals[:1]
        ax.plot(angles, vals, label=part)
    if yticks is not None:
        ax.set_yticks(yticks)
        ax.set_yticklabels([str(v) for v in yticks], fontsize=10)
    else:
        ax.set_yticklabels([])
    ax.set_xticks(angles[:-1])
    ax.set_xticklabels(traits, fontsize=10)
    ax.yaxis.grid(True, color="gray", linestyle="--", linewidth=0.5)
    ax.set_title(title, fontsize=12)

# =========================
# レーダーチャートPDF
# =========================
with PdfPages(save_pdf_re) as pdf:
    fig, axes = plt.subplots(2, n_cars, figsize=(6*n_cars, 6*2), subplot_kw={'polar': True}, squeeze=False)
    for idx, car in enumerate(cars):
        coefs = final_result[final_result['Car']==car].set_index('Trait')[columns_radar].astype(float)
        traits = coefs.columns.tolist()
        parts = coefs.index.tolist()
        angles = np.linspace(0, 2*np.pi, len(traits), endpoint=False).tolist()
        angles += angles[:1]
        ax = axes[0, idx]
        plot_radar_ax(ax, coefs, parts, angles, traits, f"{car}：回帰係数", yticks=[-0.2,-0.1,0,0.1,0.2])

        pvals = final_pvalues[final_pvalues['Car']==car].set_index('Trait')[columns_radar].apply(pd.to_numeric, errors='coerce')
        log_pvals = -np.log10(pvals.clip(lower=1e-10))
        ax = axes[1, idx]
        plot_radar_ax(ax, log_pvals, parts, angles, traits, f"{car}：-log10(P値)", yticks=[0,0.5,1,1.5,2])

    fig.legend(parts, loc='upper right', bbox_to_anchor=(1.15, 1.0), fontsize=10)
    plt.tight_layout()
    pdf.savefig(fig, bbox_inches='tight')
    plt.close()

8. レーダー描画関数

レーダーチャート描画用の関数を用意し、複数のパーツと Trait に対する回帰結果を可視化できるようにします。

  • パーツごとの線を描画し、Trait を軸ラベルとして表示
  • Y軸の目盛りやグリッド線で比較しやすく
  • チャートタイトルで車種や表示内容（回帰係数／-log10(P値)）を明示

9. レーダーチャートPDF

各車ごとの回帰係数と -log10(P値) をレーダーチャートとして描画。

ポイント

  • 上段：回帰係数（Coef）
    → 各 Trait に対するパーツの影響の方向と大きさ
  • 下段：-log10(P値)（logP）
    → その影響の信頼性
  • 線の色・スタイル：パーツごとに識別可能
  • 軸ラベル（Trait）：比較しやすいように統一
  • グリッド線・目盛り：視覚的に大きさを把握しやすく

💡 読み方のポイント

  • Coef がプラス → 好印象方向
  • Coef がマイナス → 不評方向
  • logP が大きい → 信頼性が高い
  • 線の形・位置でパーツごとの特性を直感的に比較可能
グラフ例

💡 まとめ

  • レーダーチャートにより、車ごとのパーツが各 Trait に与える影響を直感的に把握可能
  • Coef は「影響の方向と大きさ」、logP は「影響の信頼性」を表す
  • 両方セットで読むことが実務上のポイント

📌グラフの使い分けについて

グラフ 役割・特徴 読みやすさのポイント
ヒートマップ 車×Trait のマトリクス形式で影響と信頼性を比較 Coef と logP をセットで読むと全体傾向と異常値を把握しやすい
散布図（Coef × -log10(P値）） 全体像を俯瞰して、パーツの影響と信頼性を直感的に把握 右上：好印象かつ信頼性高い、左上：不評かつ信頼性高い
棒グラフ（パーツごとのCoef） 個別パーツの比較やランキングに便利 棒の長さ → 影響度の大きさ、色の濃さ → 信頼性
レーダーチャート 車ごとの全体的なパーツバランスや特徴を俯瞰 個別の影響や信頼性の比較には散布図・棒グラフの方が直感的

💡 ポイント

  • 散布図・棒グラフ → 個別パーツの影響・信頼性を直感的に把握
  • レーダーチャート → 車ごとの全体バランスを俯瞰
  • ヒートマップ → 車×Trait の全体傾向を一覧比較
  • メインは散布図・棒グラフ、補助としてレーダー・ヒートマップを活用すると見やすい

📌考察：回帰係数・-log10(P値) 散布図・棒グラフ

赤＝正、青＝負、濃い色＝有意性が高い

4_5_回帰結果_全車種.csv A車 データ抜粋
Trait Part Coef -log10(P値) Label Car
Futuristic ホイール -0.092 0.6882 Futuristic × ホイール A車
Sporty ホイール -0.088 0.5607 Sporty × ホイール A車
Elegant ホイール 0.036 0.1707 Elegant × ホイール A車
Cool ホイール -0.026 0.1046 Cool × ホイール A車
Sleek ホイール -0.183 1.3010 Sleek × ホイール A車
Luxurious ホイール -0.011 0.0453 Luxurious × ホイール A車
Technology ホイール -0.020 0.0894 Technology × ホイール A車
Futuristic アッパーグリル 0.059 0.3799 Futuristic × アッパーグリル A車
Sporty アッパーグリル 0.152 1.1739 Sporty × アッパーグリル A車
Elegant アッパーグリル 0.140 0.9208 Elegant × アッパーグリル A車
Cool アッパーグリル 0.019 0.0721 Cool × アッパーグリル A車
Sleek アッパーグリル 0.048 0.2233 Sleek × アッパーグリル A車
Luxurious アッパーグリル 0.057 0.2941 Luxurious × アッパーグリル A車
Technology アッパーグリル -0.017 0.0721 Technology × アッパーグリル A車
Futuristic リアグリル 0.012 0.0580 Futuristic × リアグリル A車
Sporty リアグリル -0.059 0.3215 Sporty × リアグリル A車
Elegant リアグリル 0.108 0.6234 Elegant × リアグリル A車
Cool リアグリル 0.002 0.0083 Cool × リアグリル A車
Sleek リアグリル -0.082 0.4179 Sleek × リアグリル A車
Luxurious リアグリル 0.006 0.0250 Luxurious × リアグリル A車
Technology リアグリル -0.088 0.4855 Technology × リアグリル A車
Futuristic バンパー 0.109 0.8697 Futuristic × バンパー A車
Sporty バンパー 0.165 1.3372 Sporty × バンパー A車
Elegant バンパー -0.127 0.8239 Elegant × バンパー A車
Cool バンパー 0.058 0.2612 Cool × バンパー A車
Sleek バンパー -0.059 0.2916 Sleek × バンパー A車
Luxurious バンパー -0.166 1.2218 Luxurious × バンパー A車
Technology バンパー 0.053 0.2676 Technology × バンパー A車
Futuristic ヘッドライト -0.009 0.0448 Futuristic × ヘッドライト A車
Sporty ヘッドライト 0.091 0.5436 Sporty × ヘッドライト A車
Elegant ヘッドライト -0.180 1.2218 Elegant × ヘッドライト A車
Cool ヘッドライト 0.067 0.2848 Cool × ヘッドライト A車
Sleek ヘッドライト 0.037 0.1537 Sleek × ヘッドライト A車
Luxurious ヘッドライト -0.016 0.0665 Luxurious × ヘッドライト A車
Technology ヘッドライト -0.014 0.0545 Technology × ヘッドライト A車

1️⃣ ホイール

  • 回帰係数（Coef）
    • Sleek → 長めの青棒
  • -log10(P値) → Sleek の棒は濃く、信頼度高め
    ✅ Sleek : ネガティブ

2️⃣ アッパーグリル

  • 回帰係数（Coef）
    • Sport/Elegant → 赤系棒が長め
  • -log10(P値) → 棒は中〜濃く、信頼性は中〜やや高め
    ✅ Elegant/Sporty : ポジティブ

3️⃣ リアグリル

  • 回帰係数（Coef） → 棒は中程度
  • -log10(P値) → 全体的に淡く、信頼性も低め
    ✅ 影響ほぼなし

4️⃣ バンパー

  • 回帰係数（Coef）
    • Sporty/Futuristic → 赤系棒が長め
    • Luxurious/Elegant → 青系棒が長め
  • -log10(P値) → 信頼性高め
    ✅ Sporty/Futuristic : ポジティブ、Luxurious/Elegant : ネガティブ（好みが分かれる）

5️⃣ ヘッドライト

  • 回帰係数（Coef）
    • Elegant → 青系が長め
  • -log10(P値) → 濃く、信頼性高め
    ✅ Elegant : ネガティブ

パーツ改善アクションリスト（散布図・棒グラフ版）

パーツ 影響方向 信頼性（logP） 推奨アクション
ホイール ネガティブ（特に Sleek） 高め 流麗さやモダンさを損なわないデザインに改善が必要：優先度高
アッパーグリル ポジティブ（Elegant, Sporty） 中〜やや高め 強みとして維持・強化
リアグリル 影響小 低め 現状維持で問題なし
バンパー ポジティブ（Sporty,Futuristic）、ネガティブ（Luxurious, Elegant） 高め Sporty/Futuristic 要素は活かしつつ、Luxurious/Elegant の印象を損なわない調整が必要：優先度高
ヘッドライト ネガティブ（Elegant） 高め 上品さを阻害しないデザイン調整が必要、優先度高

💡 改善優先度の見方（散布図・棒グラフ版）

  • ネガティブ影響 × 高信頼度 → 優先的に改善
  • ポジティブ影響 × 中〜高信頼度 → 強みとして活用
  • 影響小 × 信頼性低 → 現状維持
  • 回帰係数（Coef） と -log10(P値) はセットで読む
    → 「好／嫌傾向」と「信頼性」を同時に把握可能
  • 散布図・棒グラフはパーツごとの影響や信頼性が 直感的に把握できる ため、デザイン改善の優先度を決めるのに便利
  • 散布図は点が重なって見えない場合もあるので、2_回帰集計.csv（df_radar）を確認することも有効
考察：回帰係数・-log10(P値)ヒートマップ

散布図＋棒グラフと同様の結果になっています。

1️⃣ ホイール

  • 回帰係数（Coef）
    • 青系（負の値）が目立つ
    • 特に Sleek は濃い青
  • log10(P値) → Sleek は濃く、信頼度は高め
    ✅ Sleek : ネガティブ

2️⃣ アッパーグリル

  • 回帰係数（Coef） → Elegant/Sporty は濃い赤系
  • log10(P値) → Sporty/Elegant は濃く、信頼性は中〜やや高め
    ✅ Elegant/Sporty : ポジティブ

3️⃣ リアグリル

  • 回帰係数（Coef） → 全体的に淡い
  • log10(P値) → 全体的に淡く、信頼性は低め
    ✅ 影響ほぼなし

4️⃣ バンパー

  • 回帰係数（Coef）
    • Sporty/Futuristic → 濃い目の赤系
    • Luxurious/Elegant → 濃い目の青系
  • log10(P値) → Sporty/Futuristic、Luxurious/Elegant は濃く、信頼性は高め
    ✅ Sporty/Futuristic : ポジティブ、Luxurious/Elegant : ネガティブ（好みが分かれる）

5️⃣ ヘッドライト

  • 回帰係数（Coef）
    • Elegant → 青系
  • log10(P値) → Elegant は濃い
    ✅ Elegant : ネガティブ

パーツ改善アクションリスト（ヒートマップ版）

パーツ 影響方向 信頼性（logP） 推奨アクション
ホイール ネガティブ（特に Sleek） 高め 流麗さやモダンな印象を損なわないデザインに改善が必要、優先度高
アッパーグリル ポジティブ（Elegant, Sporty） 中〜やや高め 強みとして維持・強化
リアグリル 影響小 低め 現状維持で問題なし
バンパー ポジティブ（Sporty/Futuristic）、ネガティブ（Luxurious, Elegant） 高め Sporty/Futuristic 要素は活かしつつ、Luxurious/Elegant の印象を損なわない調整が必要：優先度高
ヘッドライト ネガティブ（Elegant） 高め 上品さを阻害しないデザイン調整が必要、優先度高

💡 改善優先度の見方

  • ネガティブ影響 × 高信頼度 → 優先的に改善
  • ポジティブ影響 × 中〜高信頼度 → 強みとして活用
  • 影響小 × 信頼性低 → 現状維持
  • 回帰係数（Coef） と log10(P値) はセットで読む
    → 「好／嫌傾向」と「信頼性」を同時に把握可能
  • 好印象 Trait と嫌悪傾向 Trait を意識することで、デザイン改善の優先度や効果を直感的に理解できる

📌まとめ

  • 💡 回帰係数だけで判断はキケンかも
    数値が大きいからといって安心せず、log10(P値) も一緒に見ましょう。

    信頼性の低い結果で判断すると、ちょっと危険です。

  • 💡 信頼度を「見える化」
    ヒートマップや散布図で、回帰係数（Coef）と log10(P値)を組み合わせて表示すると、
    「どのパーツが本当に影響しているか」がわかりやすくなります。

    改善優先度を決めるときの参考になります。

  • 💡 データの信頼性も大事

    • 調査時のイメージワードやパーツの関係を考える
    • 分析の閾値やサンプル数が適切かチェック

    こういう小さな確認が、結果を安心して使うためのコツです。

  • 💡 マーケティング分析は日々進化
    新しい手法やツールを取り入れると、
    より精度の高い改善ポイントや、優先度の判断がしやすくなります。

    日々アップデートしていくことが成功の鍵です。

参考リンクについて

GitHubリポジトリ
本記事で紹介したコードやサンプルデータはこちらで公開しています。

Discussion