Upload 6 files

Dockerfile

@@ -0,0 +1,21 @@
+FROM python:3.11-slim
+
+WORKDIR /app
+
+# 依存ライブラリのインストール
+COPY requirements.txt .
+RUN pip install --no-cache-dir -r requirements.txt
+
+# アプリ本体とデータ（parquet）をコピー
+COPY . .
+
+# Streamlit設定（HF Spaces向け：ポート8501・外部公開・使用統計オフ）
+ENV STREAMLIT_SERVER_PORT=8501 \
+    STREAMLIT_SERVER_ADDRESS=0.0.0.0 \
+    STREAMLIT_SERVER_HEADLESS=true \
+    STREAMLIT_BROWSER_GATHER_USAGE_STATS=false \
+    HOME=/app
+
+EXPOSE 8501
+
+CMD ["streamlit", "run", "app_fast.py"]

README.md

@@ -1,10 +1,34 @@
 ---
-title: Psearch
-emoji: 📊
-colorFrom: pink
-colorTo: purple
+title: パチンコ統合分析システム
+emoji: 🎰
+colorFrom: red
+colorTo: blue
 sdk: docker
+app_port: 8501
 pinned: false
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+# パチンコ・スロット統合分析システム（高速版）
+
+事前生成した parquet を読み込んで分析する Streamlit アプリです。
+Hugging Face Spaces では Docker SDK で動かします。
+
+## 必要なファイル
+- `Dockerfile` … 起動設定（Streamlit を 8501 で起動）
+- `app_fast.py` … アプリ本体
+- `requirements.txt` … 依存ライブラリ
+- 以下の parquet（`build_data.py` を手元で実行して生成）
+  - `processed_analysis_data.parquet`（メイン分析データ）
+  - `tab6_analysis_master.parquet`（新台導入分析用）
+
+## パスワードの設定
+このアプリは簡易パスワードで保護されています。
+Space の **Settings → Variables and secrets** で、以下のシークレットを追加してください。
+
+- Name: `app_password`
+- Value: 任意の共有パスワード
+
+## データ更新の手順
+1. 手元の PC で最新の CSV を `data/` に置き、`python build_data.py` を実行
+2. 生成された parquet を、この Space にアップロード（差し替え）
+3. Space が自動で再起動し、最新データが反映されます

app_fast.py

@@ -0,0 +1,375 @@
+import streamlit as st
+import pandas as pd
+import numpy as np
+import os
+import plotly.graph_objects as go
+
+st.set_page_config(page_title="パチンコ統合分析システム", layout="wide")
+
+# --- 簡易パスワード認証 ---
+def _get_app_password():
+    """パスワードの取得元。HF(Docker)では環境変数、ローカルでは secrets.toml。"""
+    pw = os.environ.get("app_password")
+    if pw:
+        return pw
+    try:
+        return st.secrets["app_password"]
+    except Exception:
+        return None
+
+def check_password():
+    """共有パスワードによる簡易認証。正しいパスワードが入るまで本体を表示しない。"""
+    def password_entered():
+        if st.session_state.get("password", "") == _get_app_password():
+            st.session_state["auth_ok"] = True
+            del st.session_state["password"]  # パスワードを保持しない
+        else:
+            st.session_state["auth_ok"] = False
+
+    if st.session_state.get("auth_ok", False):
+        return True
+
+    st.text_input("パスワードを入力してください", type="password",
+                  on_change=password_entered, key="password")
+    if st.session_state.get("auth_ok") is False:
+        st.error("パスワードが違います。")
+    return False
+
+if not check_password():
+    st.stop()
+# --- 認証ここまで ---
+
+# --- 強制右詰めCSS ---
+st.markdown(
+    """
+    <style>
+    [data-testid="stTableCell"] { text-align: right !important; justify-content: flex-end !important; }
+    [data-testid="stHeaderCell"] { text-align: right !important; }
+    [data-testid="stTableCell"]:nth-child(1), [data-testid="stTableCell"]:nth-child(2), [data-testid="stTableCell"]:nth-child(3),
+    [data-testid="stHeaderCell"]:nth-child(1), [data-testid="stHeaderCell"]:nth-child(2), [data-testid="stHeaderCell"]:nth-child(3) {
+        text-align: left !important;
+        justify-content: flex-start !important;
+    }
+    </style>
+    """,
+    unsafe_allow_html=True
+)
+
+@st.cache_data
+def load_final_data():
+    if not os.path.exists("processed_analysis_data.parquet"):
+        return None
+    df = pd.read_parquet("processed_analysis_data.parquet")
+    
+    # --- 列名の標準化 ---
+    rename_map = {
+        "パチンコタイプ名": "タイプ名_P",
+        "パチンコタイプID": "ソートID_P",
+        "スロットタイプ名": "タイプ名_S",
+        "スロットタイプID": "ソートID_S"
+    }
+    df = df.rename(columns=rename_map)
+
+    # 型の統一
+    if "Pcode" in df.columns:
+        df["Pcode"] = df["Pcode"].astype(str)
+    
+    for c in ["ソートID_P", "ソートID_S"]:
+        if c in df.columns:
+            df[c] = pd.to_numeric(df[c], errors='coerce').fillna(999)
+
+    for col in ["店舗ID", "グループID", "都道府県ID"]:
+        if col in df.columns:
+            df[col] = df[col].astype(str)
+    
+    if "販売年月日" in df.columns:
+        df["販売年月日"] = pd.to_datetime(df["販売年月日"].astype(str), errors='coerce').dt.strftime('%Y/%m/%d')
+        df["販売年月日"] = df["販売年月日"].fillna("-")
+    
+    # 資産価値計算用の数値化
+    if "中古単価" in df.columns:
+        df["中古単価_num"] = pd.to_numeric(df["中古単価"], errors='coerce').fillna(0)
+    if "設置台数" in df.columns:
+        df["設置台数"] = pd.to_numeric(df["設置台数"], errors='coerce').fillna(0)
+        
+    return df
+
+@st.cache_data
+def load_shindai_data():
+    target = "tab6_analysis_master.parquet"
+    if os.path.exists(target):
+        try:
+            df = pd.read_parquet(target)
+            df['導入月'] = pd.to_datetime(df['導入月'])
+            return df
+        except Exception as e:
+            st.error(f"データ読み込みエラー: {e}")
+    return None
+
+# --- メイン処理 ---
+df = load_final_data()
+
+if df is None:
+    st.error("分析用データが見つかりません。build_data.pyを実行してください。")
+else:
+    st.title("🎰 パチンコ・スロット統合分析 (高速版)")
+
+    # --- サイドバー ---
+    st.sidebar.title("分析軸選択")
+    axis_options = [c for c in ["店舗ID", "グループID", "グループ名", "都道府県ID"] if c in df.columns]
+    axis = st.sidebar.selectbox("集計軸", axis_options)
+    
+    if axis == "店舗ID" and "店舗名" in df.columns:
+        id_name_map = df.drop_duplicates("店舗ID").set_index("店舗ID")["店舗名"].to_dict()
+        options = ["すべて"] + [f"{tid}: {id_name_map.get(tid, '')}" for tid in sorted(df["店舗ID"].unique())]
+        selected_option = st.sidebar.selectbox("表示対象の店舗を選択", options)
+        selected_value = selected_option.split(":")[0] if selected_option != "すべて" else "すべて"
+    else:
+        selected_value = st.sidebar.selectbox(f"表示対象の{axis}を選択", ["すべて"] + sorted(df[axis].unique().tolist()))
+
+    menu = st.sidebar.radio("メニュー", [    
+        "貸玉別集計", 
+        "競合比較分析", 
+        "資産価値分析", 
+        "設置機種詳細", 
+        "タイプ別集計", 
+        "新台導入分析"
+    ])
+
+    # --- 1. 貸玉別集計 ---
+    if menu == "貸玉別集計":
+        st.subheader(f"📊 {axis}別 設置台数")
+        temp_df = df if selected_value == "すべて" else df[df[axis] == selected_value]
+        if not temp_df.empty:
+            st.dataframe(temp_df.groupby([axis, '貸玉区分']).size().unstack(fill_value=0), use_container_width=True)
+
+    # --- 2. 競合比較分析---
+    elif menu == "競合比較分析":
+        st.subheader("⚔️ 商圏内 詳細構成分析 & レポート")
+        
+        if selected_value == "すべて" or axis != "店舗ID":
+            st.info("サイドバーで特定の「店舗ID」を選択すると、詳細な商圏比較を表示します。")
+        else:
+            target_shop_id = selected_value
+            
+            # --- A. 基礎データの作成 (店舗単位サマリー) ---
+            # 1. 全国集計
+            national_shop_sum = df.groupby("店舗ID").agg({"設置台数":"sum"})
+            for cat in ["通常P", "低貸P", "通常S", "低貸S"]:
+                national_shop_sum[cat] = df[df["貸玉区分"]==cat].groupby("店舗ID")["設置台数"].sum()
+            national_shop_sum = national_shop_sum.fillna(0)
+            
+            # 2. 全国・都道府県平均比率の算出
+            def calc_avg_ratios(source_df):
+                t = source_df["設置台数"].sum()
+                if t == 0: return [0,0,0,0]
+                return [
+                    (source_df["通常P"].sum() / t * 100),
+                    (source_df["低貸P"].sum() / t * 100),
+                    (source_df["通常S"].sum() / t * 100),
+                    (source_df["低貸S"].sum() / t * 100)
+                ]
+
+            avg_national = calc_avg_ratios(national_shop_sum)
+            
+            p_id = df[df["店舗ID"] == target_shop_id]["都道府県ID"].iloc[0]
+            pref_shops = national_shop_sum.loc[national_shop_sum.index.isin(df[df["都道府県ID"]==p_id]["店舗ID"].unique())]
+            avg_pref = calc_avg_ratios(pref_shops)
+
+            # 3. エリア（商圏）サマリーの作成
+            # ※ここでは例として「同じ都道府県内」をエリアとしていますが、距離データがある場合はここでフィルタリング
+            area_summary = pref_shops.copy()
+            area_summary["店舗名"] = df.drop_duplicates("店舗ID").set_index("店舗ID")["店舗名"]
+            avg_area = calc_avg_ratios(area_summary)
+
+            # --- B. グラフ用データの作成 (平均データの差し込み) ---
+            target_shop_row = area_summary.loc[target_shop_id]
+            target_ratios = [
+                (target_shop_row["通常P"] / target_shop_row["設置台数"] * 100),
+                (target_shop_row["低貸P"] / target_shop_row["設置台数"] * 100),
+                (target_shop_row["通常S"] / target_shop_row["設置台数"] * 100),
+                (target_shop_row["低貸S"] / target_shop_row["設置台数"] * 100)
+            ]
+
+            # 比較用データフレーム
+            compare_ratios_df = pd.DataFrame([
+                {"区分": "選択店", "P通常": target_ratios[0], "P低貸": target_ratios[1], "S通常": target_ratios[2], "S低貸": target_ratios[3]},
+                {"区分": "エリア平均", "P通常": avg_area[0], "P低貸": avg_area[1], "S通常": avg_area[2], "S低貸": avg_area[3]},
+                {"区分": "都道府県平均", "P通常": avg_pref[0], "P低貸": avg_pref[1], "S通常": avg_pref[2], "S低貸": avg_pref[3]},
+                {"区分": "全国平均", "P通常": avg_national[0], "P低貸": avg_national[1], "S通常": avg_national[2], "S低貸": avg_national[3]},
+            ])
+
+            # --- C. 表示処理 ---
+            st.write("#### ⚖️ 構成比率の比較（全体100%）")
+            st.bar_chart(compare_ratios_df.set_index("区分"), use_container_width=True)
+                        
+            # --- 表示セクション ---
+            col1, col2 = st.columns([1, 1])
+            
+            with col1:
+                st.markdown(f"#### 🏟️ {target_shop_name} の部門構成")
+                shop_row = area_summary[area_summary["店舗ID"]==target_shop_id].iloc[0]
+                
+                fig = go.Figure()
+                categories = ['通常P', '低貸P', '通常S', '低貸S']
+                fig.add_trace(go.Bar(
+                    y=categories,
+                    x=[shop_row['通常P'], shop_row['低貸P'], shop_row['通常S'], shop_row['低貸S']],
+                    orientation='h',
+                    marker_color=['#d62728', '#ff9896', '#1f77b4', '#aec7e8']
+                ))
+                fig.update_layout(height=300, margin=dict(l=20, r=20, t=20, b=20))
+                st.plotly_chart(fig, use_container_width=True)
+
+            with col2:
+                st.markdown("#### 📝 戦略アセスメント")
+                p_rank = area_summary["通常P"].rank(ascending=False).iloc[0]
+                total_shops = len(area_summary)
+                st.success(f"**商圏内ポジション:** 通常P設置台数 第{int(p_rank)}位 / {total_shops}店舗中")
+                
+                # 自動コメント生成
+                if shop_row["通常S"] > shop_row["通常P"] * 0.8:
+                    comment = "スロット比率が高く、若年層や高稼働層をターゲットとした構成です。"
+                else:
+                    comment = "パチンコ主体の安定型構成です。地域密着型の営業スタイルが推測されます。"
+                st.write(comment)
+
+            st.markdown("---")
+            st.markdown("#### 🛰️ 周辺店舗との比較リスト")
+            st.dataframe(area_summary.sort_values("設置台数", ascending=False), use_container_width=True, hide_index=True)
+
+    # --- 3. 資産価値分析 ---
+    elif menu == "資産価値分析":
+        st.subheader("🏢 店舗別・1台あたり資産価値比較")
+        # （既存の資産価値ロジックを維持）
+        df_val = df[["店舗ID", "店舗名", "都道府県ID", "グループID", "貸玉区分", "中古単価_num", "設置台数"]].copy()
+        df_val["資産総額"] = df_val["中古単価_num"] * df_val["設置台数"]
+        cat_map = {"全体": ["通常P", "低貸P", "通常S", "低貸S"], "通常パチンコ": ["通常P"], "通常スロット": ["通常S"]}
+
+        def calc_unit_fast(target_df, label):
+            res = {"区分": label}
+            for name, cats in cat_map.items():
+                tmp = target_df[target_df["貸玉区分"].isin(cats)]
+                t_a, t_q = tmp["資産総額"].sum(), tmp["設置台数"].sum()
+                res[name] = t_a / t_q if t_q > 0 else 0
+            return res
+
+        if selected_value != "すべて":
+            selected_df = df_val[df_val[axis] == selected_value]
+            comparison_rows = [calc_unit_fast(df_val, "🌏 全国平均")]
+            if "都道府県ID" in selected_df.columns and not selected_df.empty:
+                p_id = selected_df["都道府県ID"].iloc[0]
+                comparison_rows.append(calc_unit_fast(df_val[df_val["都道府県ID"] == p_id], "🗾 都道府県平均"))
+            comparison_rows.append(calc_unit_fast(selected_df, f"★選択中: {selected_value}"))
+            display_compare_df = pd.DataFrame(comparison_rows)
+        else:
+            agg_list = []
+            for name, cats in cat_map.items():
+                f_df = df_val[df_val["貸玉区分"].isin(cats)]
+                if f_df.empty: continue
+                agg = f_df.groupby(axis).agg({"資産総額":"sum", "設置台数":"sum"})
+                agg[name] = agg["資産総額"] / agg["設置台数"]
+                agg_list.append(agg[[name]])
+            display_compare_df = pd.concat(agg_list, axis=1).fillna(0).reset_index().rename(columns={axis: "区分"})
+
+        st.dataframe(display_compare_df.style.format(precision=0, thousands=","), use_container_width=True, hide_index=True)
+
+    # --- 4. 設置機種詳細 ---
+    elif menu == "設置機種詳細":
+        st.subheader("🎰 設置機種・市場比較レポート")
+        # （既存の設置機種詳細ロジックを維持）
+        neighbor_ids = []
+        if selected_value != "すべて" and axis == "店舗ID":
+            p_id = df[df["店舗ID"] == selected_value]["都道府県ID"].iloc[0]
+            neighbor_ids = df[df["都道府県ID"] == p_id]["店舗ID"].unique().tolist()
+            if selected_value in neighbor_ids:
+                neighbor_ids.remove(selected_value)
+                neighbor_ids = [selected_value] + neighbor_ids
+        
+        categories = {"🔴 通常P": "通常P", "🟢 低貸P": "低貸P", "🔵 通常S": "通常S", "🟡 低貸S": "低貸S"}
+        sub_tabs = st.tabs(list(categories.keys()))
+
+        for i, (label, internal_name) in enumerate(categories.items()):
+            with sub_tabs[i]:
+                tab_df = df[df["貸玉区分"] == internal_name].copy()
+                if selected_value == "すべて":
+                    display_df = tab_df
+                elif neighbor_ids:
+                    display_df = tab_df[tab_df["店舗ID"].isin(neighbor_ids)]
+                else:
+                    display_df = tab_df[tab_df[axis] == selected_value]
+
+                if display_df.empty:
+                    st.info(f"{label} のデータがありません。")
+                    continue
+
+                agg_cols = {"機種名": "first", "メーカー名": "first", "販売年月日": "first", "中古単価": "max", "全国台数": "max", "都道府県台数": "max"}
+                extra = ["確率区分", "スマパチ", "デカヘソ", "機種タイプ区分", "スマスロ", "30パイ", "BT機"]
+                for c in extra:
+                    if c in display_df.columns: agg_cols[c] = "first"
+
+                summary = display_df.groupby("Pcode").agg(agg_cols)
+                col_axis = "店舗名" if "店舗名" in display_df.columns else axis
+                pivot = display_df.pivot_table(index="Pcode", columns=col_axis, values="設置台数", aggfunc="sum", fill_value=0)
+                
+                if neighbor_ids:
+                    id_to_name = display_df.drop_duplicates("店舗ID").set_index("店舗ID")["店舗名"].to_dict()
+                    target_order = [id_to_name[tid] for tid in neighbor_ids if tid in id_to_name and id_to_name[tid] in pivot.columns]
+                    pivot = pivot.reindex(columns=target_order, fill_value=0)
+
+                final_display = pd.concat([summary, pivot], axis=1)
+                shop_names = pivot.columns.tolist()
+                final_display["商圏合計"] = final_display[shop_names].sum(axis=1)
+
+                sum_row = pd.Series(index=final_display.columns, dtype=object).fillna("")
+                sum_row["機種名"] = "■店舗合計台数"
+                for s_col in shop_names: sum_row[s_col] = final_display[s_col].sum()
+                sum_row["商圏合計"] = final_display["商圏合計"].sum()
+                
+                output_df = pd.concat([pd.DataFrame([sum_row]), final_display.sort_values("商圏合計", ascending=False)], ignore_index=True)
+                st.dataframe(output_df, use_container_width=True, height=650, hide_index=True)
+
+    # --- 5. タイプ別集計 ---
+    elif menu == "タイプ別集計":
+        st.subheader("📊 タイプ別設置構成レポート")
+        categories = {"🔴 通常P": "通常P", "🟢 低貸P": "低貸P", "🔵 通常S": "通常S", "🟡 低貸S": "低貸S"}
+        sub_tabs = st.tabs(list(categories.keys()))
+        for i, (label, internal_name) in enumerate(categories.items()):
+            with sub_tabs[i]:
+                tab_df = df[df["貸玉区分"] == internal_name].copy()
+                if tab_df.empty: continue
+                suffix = "P" if "P" in internal_name else "S"
+                t_col = f"タイプ名_{suffix}"
+                actual_t_col = t_col if t_col in tab_df.columns else ("確率区分" if suffix == "P" else "機種タイプ区分")
+                
+                display_label = "店舗名" if "店舗名" in tab_df.columns else axis
+                pivot_count = tab_df.pivot_table(index=display_label, columns=actual_t_col, values="設置台数", aggfunc="sum", fill_value=0)
+                pivot_count["■合計"] = pivot_count.sum(axis=1)
+                st.dataframe(pivot_count.sort_values("■合計", ascending=False), use_container_width=True)
+
+    # --- 6. 新台導入分析 ---
+    elif menu == "新台導入分析":
+        st.subheader("📅 新台導入推移")
+        shindai_df = load_shindai_data()
+        if shindai_df is not None:
+            plot_df = shindai_df if selected_value == "すべて" else shindai_df[shindai_df[axis] == selected_value]
+            if plot_df.empty:
+                st.warning("データがありません。")
+            else:
+                plot_df["月"] = plot_df["導入月"].dt.strftime('%Y/%m')
+                selected_kind = st.selectbox("種別", ["店舗全体", "パチンコ", "スロット"])
+                view_df = plot_df[plot_df["種別"] == selected_kind]
+                
+                if not view_df.empty:
+                    pivot_table = view_df.pivot_table(index=["店舗ID", "店舗名"], columns="月", values="導入台数", aggfunc="sum", fill_value=0)
+                    sorted_cols = sorted(pivot_table.columns, reverse=True)
+                    pivot_table = pivot_table.reindex(columns=sorted_cols)
+                    display_pivot = pivot_table.reset_index()
+                    st.dataframe(
+                        display_pivot, 
+                        use_container_width=True, 
+                        hide_index=True,
+                        column_config={col: st.column_config.NumberColumn(format="%d") for col in sorted_cols}
+                    )
+        else:
+            st.error("新台分析用ファイルが見つかりません。")

processed_analysis_data.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:853fde6e2dacf6a02e802340a9ab7400f252897764b91817e4c385089ff719ad
+size 22704892

requirements.txt

@@ -0,0 +1,5 @@
+streamlit==1.58.0
+pandas>=2.0
+numpy>=1.24
+plotly>=5.18
+pyarrow>=14.0

tab6_analysis_master.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:0bc33ebb94c6e02f69cbb6c28b2221a3a88a7ecd05f6d1a4135d0a8d22a19e2d
+size 10552242