第1章：材料科学の政策ランドスケープ

# 必要なライブラリのインストール
pip install matplotlib pandas wordcloud janome

"""
コード例: 政策文書のキーワード抽出と可視化

目的: 日本の材料科学政策文書から重要キーワードを抽出
対象レベル: 初級
実行時間: ~10秒
依存: janome, matplotlib, wordcloud
"""

from janome.tokenizer import Tokenizer
from collections import Counter
import matplotlib.pyplot as plt
from wordcloud import WordCloud

# サンプル政策文書（実際には政府資料から取得）
policy_text = """
マテリアル革新力強化戦略は、我が国の材料科学技術の国際競争力を強化し、
持続可能な社会の実現に貢献することを目的とする。データ駆動型材料開発、
マテリアルズインフォマティクス、計算科学、実験技術の融合により、
材料開発期間の短縮と高機能材料の創出を加速する。また、産学官連携を推進し、
オープンイノベーション拠点の形成、人材育成、国際連携を強化する。
重点分野として、蓄電池材料、炭素繊維複合材料、半導体材料、
バイオマテリアル、量子材料などを位置づける。
"""

# 日本語形態素解析
tokenizer = Tokenizer()
tokens = tokenizer.tokenize(policy_text)

# 名詞のみ抽出（政策のキーワードは名詞が多い）
nouns = [token.surface for token in tokens
         if token.part_of_speech.split(',')[0] == '名詞'
         and len(token.surface) > 1]  # 1文字の名詞は除外

# 頻出語カウント
word_counts = Counter(nouns)
top_words = word_counts.most_common(15)

# 可視化
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

# 棒グラフ
words, counts = zip(*top_words)
ax1.barh(words, counts, color='#f093fb')
ax1.set_xlabel('出現頻度', fontsize=12)
ax1.set_title('政策文書の重要キーワード（Top 15）', fontsize=14, fontweight='bold')
ax1.invert_yaxis()

# ワードクラウド
wordcloud = WordCloud(
    width=800,
    height=600,
    background_color='white',
    font_path='/System/Library/Fonts/ヒラギノ角ゴシック W3.ttc',  # macOS
    # Windows: 'C:\Windows\Fonts\msgothic.ttc'
    colormap='Purples'
).generate(' '.join(nouns))

ax2.imshow(wordcloud, interpolation='bilinear')
ax2.axis('off')
ax2.set_title('ワードクラウド', fontsize=14, fontweight='bold')

plt.tight_layout()
plt.savefig('policy_keywords.png', dpi=300, bbox_inches='tight')
plt.show()

print("キーワード抽出完了！")
print(f"\n重要キーワード Top 5:")
for word, count in top_words[:5]:
    print(f"  {word}: {count}回")

"""
コード例: 国別材料科学研究投資額の比較

目的: 主要国の研究投資トレンドを可視化
対象レベル: 初級
実行時間: ~5秒
依存: matplotlib, pandas
"""

import pandas as pd
import matplotlib.pyplot as plt

# サンプルデータ（実際にはOECD Science, Technology and Innovation Scoreboard等から取得）
data = {
    '年': [2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022],
    '日本': [2.5, 2.6, 2.7, 2.8, 2.9, 3.0, 3.2, 3.4],  # 単位: 10億USD
    '米国': [8.5, 9.0, 9.5, 10.0, 10.5, 11.0, 11.8, 12.5],
    'EU': [6.0, 6.2, 6.5, 6.8, 7.0, 7.3, 7.8, 8.2],
    '中国': [5.0, 6.5, 8.0, 9.5, 11.0, 12.5, 14.0, 15.5],
    '韓国': [1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.9, 2.1]
}

df = pd.DataFrame(data)

# 可視化
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

# トレンドグラフ
for country in ['日本', '米国', 'EU', '中国', '韓国']:
    ax1.plot(df['年'], df[country], marker='o', linewidth=2, label=country)

ax1.set_xlabel('年', fontsize=12)
ax1.set_ylabel('研究投資額（10億USD）', fontsize=12)
ax1.set_title('主要国の材料科学研究投資額の推移', fontsize=14, fontweight='bold')
ax1.legend()
ax1.grid(True, alpha=0.3)

# 2022年の投資額比較（棒グラフ）
latest_year = df[df['年'] == 2022].iloc[0]
countries = ['日本', '米国', 'EU', '中国', '韓国']
investments = [latest_year[c] for c in countries]

colors = ['#f093fb', '#4285f4', '#34a853', '#ea4335', '#fbbc04']
ax2.bar(countries, investments, color=colors)
ax2.set_ylabel('研究投資額（10億USD）', fontsize=12)
ax2.set_title('2022年の国別研究投資額', fontsize=14, fontweight='bold')
ax2.grid(True, alpha=0.3, axis='y')

plt.tight_layout()
plt.savefig('research_investment_comparison.png', dpi=300, bbox_inches='tight')
plt.show()

print("📊 分析結果:")
print(f"2015→2022年の投資額増加率:")
for country in countries:
    growth = ((df[country].iloc[-1] / df[country].iloc[0]) - 1) * 100
    print(f"  {country}: {growth:.1f}%")

"""
コード例: 政策重点分野の時系列変化

目的: 政策文書における重点キーワードの変遷を追跡
対象レベル: 中級
実行時間: ~10秒
依存: pandas, matplotlib
"""

import pandas as pd
import matplotlib.pyplot as plt

# サンプルデータ：各年の政策文書における重点分野の言及回数
data = {
    '年': [2015, 2017, 2019, 2021, 2023],
    'ナノ材料': [45, 40, 35, 30, 25],
    '複合材料': [30, 35, 40, 42, 45],
    '蓄電池材料': [20, 30, 45, 60, 75],
    'バイオマテリアル': [15, 20, 25, 35, 40],
    'カーボンニュートラル材料': [5, 10, 25, 50, 70],
    'マテリアルズインフォマティクス': [10, 20, 35, 55, 65]
}

df = pd.DataFrame(data)

# 可視化：積み上げエリアチャート
fig, ax = plt.subplots(figsize=(12, 7))

fields = ['ナノ材料', '複合材料', '蓄電池材料', 'バイオマテリアル',
          'カーボンニュートラル材料', 'マテリアルズインフォマティクス']
colors = ['#e3f2fd', '#bbdefb', '#90caf9', '#64b5f6', '#42a5f5', '#2196f3']

ax.stackplot(df['年'],
             [df[field] for field in fields],
             labels=fields,
             colors=colors,
             alpha=0.8)

ax.set_xlabel('年', fontsize=12)
ax.set_ylabel('政策文書での言及回数', fontsize=12)
ax.set_title('材料科学政策の重点分野の変遷（2015-2023）', fontsize=14, fontweight='bold')
ax.legend(loc='upper left', fontsize=10)
ax.grid(True, alpha=0.3, axis='y')

plt.tight_layout()
plt.savefig('policy_trend_analysis.png', dpi=300, bbox_inches='tight')
plt.show()

print("🔍 トレンド分析:")
print("\n急成長分野:")
for field in fields:
    growth = df[field].iloc[-1] - df[field].iloc[0]
    if growth > 40:
        print(f"  ✨ {field}: +{growth}回（{df[field].iloc[0]}→{df[field].iloc[-1]}）")

print("\n減少傾向分野:")
for field in fields:
    growth = df[field].iloc[-1] - df[field].iloc[0]
    if growth < 0:
        print(f"  ⚠️ {field}: {growth}回（{df[field].iloc[0]}→{df[field].iloc[-1]}）")

"""
コード例: 政策データベースのシミュレーションと分析

目的: 政策データのフィルタリングと統計分析
対象レベル: 中級
実行時間: ~5秒
依存: pandas
"""

import pandas as pd
import numpy as np

# 仮想政策データベース（実際にはAPI等から取得）
np.random.seed(42)
policies = []

countries = ['日本', '米国', 'EU', '中国', '韓国']
categories = ['研究資金', '人材育成', '産学連携', '国際協力', '標準化']
years = range(2015, 2024)

for _ in range(100):
    policies.append({
        '国': np.random.choice(countries),
        '分類': np.random.choice(categories),
        '年': np.random.choice(years),
        '予算規模_百万USD': np.random.randint(10, 500),
        '参加機関数': np.random.randint(5, 50)
    })

df = pd.DataFrame(policies)

# 分析1: 国別・分類別の政策数
policy_count = df.groupby(['国', '分類']).size().unstack(fill_value=0)

print("=" * 60)
print("国別・分類別の政策数")
print("=" * 60)
print(policy_count)

# 分析2: 予算規模の統計
print("\n" + "=" * 60)
print("国別の平均予算規模（百万USD）")
print("=" * 60)
budget_stats = df.groupby('国')['予算規模_百万USD'].agg(['mean', 'sum', 'count'])
budget_stats.columns = ['平均', '合計', '政策数']
print(budget_stats.round(1))

# 分析3: トレンド分析
print("\n" + "=" * 60)
print("年別の政策数推移")
print("=" * 60)
yearly_trend = df.groupby('年').size()
print(yearly_trend)

# 分析4: 上位政策の抽出
print("\n" + "=" * 60)
print("予算規模トップ5の政策")
print("=" * 60)
top_policies = df.nlargest(5, '予算規模_百万USD')[['国', '分類', '年', '予算規模_百万USD']]
print(top_policies.to_string(index=False))

# 可視化（予算規模の国別比較）
import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(10, 6))
budget_by_country = df.groupby('国')['予算規模_百万USD'].sum().sort_values(ascending=False)
budget_by_country.plot(kind='bar', ax=ax, color='#f093fb')
ax.set_ylabel('総予算規模（百万USD）', fontsize=12)
ax.set_title('国別の総政策予算規模（2015-2023）', fontsize=14, fontweight='bold')
ax.set_xlabel('国', fontsize=12)
plt.xticks(rotation=0)
plt.grid(True, alpha=0.3, axis='y')
plt.tight_layout()
plt.savefig('budget_by_country.png', dpi=300, bbox_inches='tight')
plt.show()

print("\n✅ 分析完了！グラフを確認してください。")