ライフログを可視化してみたら偏食のようすがわかった - 飯田橋ランチマップ

「JX通信社Advent Calendar 2019」11日目の記事です.

昨日は, @shinyoke さんの「PySparkはじめました - 分散処理デビューする前にやったこと」でした。 こんにちは. 同じくJX通信社でデータ基盤エンジニアをしています, @maplerと申します。

はじめに

今回はちょっと美味しい話をします。 昼時間になったらよくある話

「今日昼飯どこにいきますか？」
「わからない。。」

JX通信社オフィスがある飯田橋周辺美味しい店たくさんありまして、どこでランチを食べればいいのかわからない。

ちょうど2年前、Moves App というライフログアプリを一年半ほど利用してたので、そのデータを利用して自分の飯田橋ランチマップを作ってみようと思います。

やったこと

• GeoPandas と GeoPy で位置情報の解析
• Mapbox + Plotly で位置情報の可視化
• Scikit-Learn で位置データのクラスタリング
• Google Place API で位置情報から地点を取得する

目次

Moves App とは

スマホのGPS位置情報を記録して、自分がどこに滞在してたか、その間の移動方法（徒歩、走る、自転車、車、電車など）をロギングするアプリです。（ちなみに、2018年7月末にサービス終了）

データを取得

Moves App がサービス終了時とともに、公式サイトから過去のトラックデータをダウンロードすることができます。行動データは JSON で格納されてます。 Moves のデータは四種類があります。

• activites: 移動中の行動タイプ（電車、歩行、自転車など）、カロリー、距離、時間などの情報。(Line data)
• places: 行動中の滞在地点、滞在時間などの情報。(Point data)
• storyline: activites と places を含め、さらに移動ルートの情報もあります。
• summary: 一日単位の行動、距離、カロリーなどのまとめ情報

今回はランチの店だけ絞りたいので、places 情報のみ扱うことにします。

places データ

まずどんなデータかを見ましょう:

// ./json/yearly/places/places_2017.json
[
  ...
  {
    "date": "20170327",
    "segments": [
      {
        "type": "place",
        "startTime": "20170326T201246+0900",
        "endTime": "20170327T095023+0900",
        "place": {
          "id": 123456,
          "name": "飯田橋駅",
          "type": "home",
          "location": {  // 飯田橋駅
            "lat": 35.702084,
            "lon": 139.745023
          }
        },
        "lastUpdate": "20170327T014641Z"
      }
  ...
    ],
    "lastUpdate": "20170328T020321Z"
  },
  {
    "date": "20170328",
    "segments": [
      ...
    ]
    ...
  }
    ...
]

日別に segments という項目に時間順でその日行った場所が格納されている。

segment の構造

• type: activity データでは値は place or move 2種類ありますが、places データには place のみになります
• startTime: その地点に着いた時間
• endTime: その地点から離れた時間
• place: 地点の情報
  • id: 地点 id
  • name: 地点名。アプリが自動判定してくれますが、手動で地点名修正ができます。自動判定と手動修正してない場合、不明で null になる
  • type: アプリに定義したカテゴリ?
    • home: 家
    • work: 仕事場
    • facebook: 地点名推測情報源?
    • facebookPlaceId: facebook の地点 Id
    • user: 手動で地点名を修正した場合
  • location: 経度緯度の Geo 情報
• lastUpdate: segment の最後更新時間

太字でマークした項目は今回扱うデータになります

データをロード

Pandas でデータをロード

import pandas as pd
place_df = pd.read_json('./moves/moves_export/json/yearly/places/places_2017.json', orient="records")
place_df = pd.concat([place_df, pd.read_json('./moves/moves_export/json/yearly/places/places_2018.json', orient="records")])
place_df.head()

	date	segments	lastUpdate
0	20170110	[{'type': 'place', 'startTime': '20170110T0104...	20170117T055308Z
1	20170111	[{'type': 'place', 'startTime': '20170110T2136...	20170112T022810Z
2	20170112	[{'type': 'place', 'startTime': '20170111T2035...	20170113T163025Z
3	20170113	[{'type': 'place', 'startTime': '20170112T2107...	20170114T000927Z
4	20170114	[{'type': 'place', 'startTime': '20170113T1939...	20170114T093316Z

直接 json ロードだと segments がうまく展開できない。

json_normalize を使ってリストのカラムを展開

json_normalize という便利な関数でカラムを展開 (flat) します。

import json
with open('./moves/moves_export/json/yearly/places/places_2017.json', 'r') as f:
  d_2017 = json.load(f)
  place_segment_df_2017 = json_normalize(d_2017, record_path='segments')
with open('./moves/moves_export/json/yearly/places/places_2018.json', 'r') as f:
  d_2018 = json.load(f)
  place_segment_df_2018 = json_normalize(d_2018, record_path='segments')
# concat two DataFrame
place_segment_df = pd.concat([place_segment_df_2017, place_segment_df_2018])

record_path を segments カラムを指定して展開した結果

place_segment_df.head()

	type	startTime	endTime	lastUpdate	place.id	place.name	place.type	place.location.lat	place.location.lon	place.facebookPlaceId
0	place	20170110T010439+0900	20170110T094051+0900	20170110T013658Z	396353386	家	home	*******	*******	NaN
1	place	20170110T123747+0900	20170110T125939+0900	20170117T055308Z	396514412	イタリアン酒場P	facebook	35.699011	139.748671	218228871551007
2	place	20170110T130209+0900	20170110T195846+0900	20170110T113633Z	396471967	JX通信社	work	35.700228	139.747905	NaN
3	place	20170110T202923+0900	20170110T203906+0900	20170110T130729Z	396353386	家	home	*******	*******	NaN
4	place	20170110T204418+0900	20170110T212233+0900	20170110T160517Z	396651896	エニタイムズ	user	35.704518	139.728673

※ 家の GEO情報を非表示させていただきます

データの全体像

>> place_segment_df.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 4542 entries, 0 to 1658
Data columns (total 10 columns):
type                     4542 non-null object
startTime                4542 non-null object
endTime                  4542 non-null object
lastUpdate               4542 non-null object
place.id                 4542 non-null int64
place.name               2255 non-null object
place.type               4542 non-null object
place.location.lat       4542 non-null float64
place.location.lon       4542 non-null float64
place.facebookPlaceId    477 non-null object
dtypes: float64(2), int64(1), object(7)
memory usage: 390.3+ KB

こうして 1.5 年分ぐらいの私が行った場所が一つの DataFrame にまとめます

データを絞る (前処理)

まずはこの 4542 行のデータの中から 平日 仕事場 の ランチ を絞りたい

前処理

不要なカラムを消す

place_segment_df = place_segment_df[['startTime', 'endTime', 'place.name', 'place.type', 'place.location.lat', 'place.location.lon']]

時間カラムを datetime object に変換

place_segment_df.startTime = pd.to_datetime(place_segment_df.startTime)
place_segment_df.endTime = pd.to_datetime(place_segment_df.endTime)

平日を絞る

weekday_place_df = place_segment_df[place_segment_df.apply(lambda row: row.startTime.weekday() < 5 and row.endTime.weekday() < 5, axis=1)]

ランチ時間を絞る

時間を絞る

# filter lunch time
from datetime import timedelta

LUNCH_START_FROM = 11  # earliest lunch start time
LUNCH_END_FROM = 15  # latest lunch end time
MAX_LUNCH_DURATION = 3 * 60  # max lunch time 3 hours
MIN_LUNCH_DURATION = 5  # max lunch time  5 minutes

def is_lunch_time(start_dt, end_dt):
    if end_dt - start_dt > timedelta(minutes=MAX_LUNCH_DURATION):
        # can not more than max lunch time
        return False
    elif end_dt - start_dt > timedelta(minutes=MAX_LUNCH_DURATION):
        # can not less than min lunch time
        return False
    else:
        # check startTime and endTime are all between lunch time
        return start_dt.hour > LUNCH_START_FROM and start_dt.hour < LUNCH_END_FROM and end_dt.hour > LUNCH_START_FROM and end_dt.hour < LUNCH_END_FROM

lunch_time_place_df = weekday_place_df[weekday_place_df.apply(lambda row: is_lunch_time(row.startTime, row.endTime), axis=1)]

時間を可視化

# group by hour
hour_group = pd.DataFrame({"hour": place_segment_df.startTime.apply(lambda x: x.hour)}).groupby('hour')['hour'].count()
lunch_hour_group = pd.DataFrame({"hour": lunch_time_place_df.startTime.apply(lambda x: x.hour)}).groupby('hour')['hour'].count()

# use plot.ly
from plotly.subplots import make_subplots
import plotly.graph_objects as go

fig = make_subplots(rows=1, cols=2, subplot_titles=('full time', 'lunch time'))
fig.add_trace(go.Bar(x=hour_group.index, y=hour_group),row=1, col=1)
fig.add_trace(go.Bar(x=lunch_hour_group.index, y=lunch_hour_group), row=1, col=2)
fig.show(showlegend=False)

主に 13 時前後にお昼ごはんを食べていくことが多いようです。

仕事場を絞る

位置情報扱いやすいため geopy と geopandas を使い

geopandas で DataFrame を GeoDataFrame に変換

place.location.lat と place.location.lon を代入して GeoDataFrame に変換

import geopandas
gdf = geopandas.GeoDataFrame(lunch_time_place_df, geometry=geopandas.points_from_xy(lunch_time_place_df['place.location.lon'], lunch_time_place_df['place.location.lat']))

geometry というカラムが作られます

gdf.head()

	startTime	endTime	place.name	place.type	place.location.lat	place.location.lon	geometry
1	2017-01-10 12:37:47+09:00	2017-01-10 12:59:39+09:00	イタリアン酒場P	facebook	35.699011	139.748671	POINT (139.74867 35.69901)
10	2017-01-11 13:25:15+09:00	2017-01-11 13:45:35+09:00	つけ麺 つじ田	facebook	35.701441	139.746628	POINT (139.74663 35.70144)
17	2017-01-12 12:35:05+09:00	2017-01-12 13:11:11+09:00	かつ村	facebook	35.698636	139.753765	POINT (139.75376 35.69864)
24	2017-01-13 13:09:11+09:00	2017-01-13 13:26:29+09:00	ヤミツキカリー	facebook	35.699180	139.744961	POINT (139.74496 35.69918)

↑ ちなみにランチ時間を絞りでいい感じにランチの地点を絞ってくれました

geopy で飯田橋周辺 3km を絞ります

geopy の distance モジュールに geodesic という測地学的な距離を計算関数があります。

from shapely.geometry import Point
from geopy.distance import geodesic

def _distance(point_a_y, point_a_x, point_b_y, point_b_x):
  return geodesic((point_a_y, point_a_x), (point_b_y, point_b_x)).meters

def distance_for_point(point_a, point_b):
  """
  geodesic distance of shapely.geometry.Point object
  """
  return geodesic((point_a.y, point_a.x), (point_b.y, point_b.x)).meters

# 3km from iidabashi station
DIAMETER = 3 * 1000
IIDABASHI_STATION_POINT = Point(139.745023, 35.702084)

def near_iidabashi(point):
  return distance_for_point(point, IIDABASHI_STATION_POINT) < DIAMETER

gdf['is_near_iidabashi'] = gdf.geometry.apply(near_iidabashi)

プライベート情報を絞る(小声 🤫)

家がオフィスに近いので仕事場絞っても家は範囲内に入ってます、たまにランチ帰宅することもあります、ここ place.type を利用して非表示させていただきます。

>> (gdf['place.name'] == 'home').value_counts()
False    501
True       4
Name: place.name, dtype: int64
>> gdf = gdf[gdf['place.type'] != 'home']

（4回帰宅してたようです🏠）

結果を可視化

今回もっともやりたかったことです！

可視化前に

便利上、滞在時間（分）の duration カラムを追加

# add duration (unit: minute) column
weekday_place_df['duration'] = weekday_place_df.apply(lambda row: (row.endTime - row.startTime).seconds//60, axis=1)

場所名を coding した name_id カラムを追加

gdf['name_id'] = gdf['place.name'].astype('category').cat.codes

Mapbox と Plotly を使って地図上可視化

Mapbox を利用するため、Mapbox の開発アカウントを登録した上、token を取得する必要があります。

詳細は Mapbox の公式ドキュメント を参照してください。

※ Mapbox は従量課金制で、Web 上の地図ロードは毎月 50,000 回まで無料です。詳細はこちら

店名（name_id）を色付けにして地図上に plot

import plotly.graph_objects as go

token = 'your mapbox token here'

fig = go.Figure(go.Scattermapbox(
    mode = "markers+text",
    lat=gdf.geometry.y, 
    lon=gdf.geometry.x, 
    text=gdf['place.name'].apply(lambda x: x if isinstance(x, str) else ''),
    textposition = "bottom center",
    hoverinfo='name+text',
    hovertext=gdf.apply(lambda row: f"{row['place.name']} ({row['duration']}分)", axis=1),
    marker=go.scattermapbox.Marker(
        color=gdf['name_id'], colorscale='RdBu',
        size=10, sizemode='area'),
))

fig.update_layout(
    hovermode='closest',
    mapbox=go.layout.Mapbox(
        accesstoken=token, bearing=0,
        center=go.layout.mapbox.Center(
            lat=IIDABASHI_STATION_POINT.y,
            lon=IIDABASHI_STATION_POINT.x
            ), pitch=0, zoom=15
        ),
      margin=dict(l=10, r=10, t=10, b=10)
)

fig.show()

ランチマップがいい感じに出てきました。

（みずほ銀行も混在してたが、とりあえず無視）

ちなみに当時名前付けてなかった店がまだ多い

>> gdf['place.name'].isnull().value_counts()
False    279
True     146
Name: place.name, dtype: int64

無名地点は倍ぐらいあります。

無名地点の名前つけ

Geo 情報から Google Place API で名前付けを考えてますが、精度を上げるため、同じ場所多数の地点をまとめてから実行しようと思います。

Scikit-learn で Clustering

Scikit-learn に Clustering のアルゴリズムがたくさん用意してますが、今回はシンプルで距離で Clustering したいので、DBSCAN を利用します。

DBSCAN

DBSCAN (Density-based spatial clustering of applications with noise ) は、1996 年に Martin Ester, Hans-Peter Kriegel, Jörg Sander および Xiaowei Xu によって提案されたデータクラスタリングアルゴリズムである。[1]これは密度準拠クラスタリング（英語版）アルゴリズムである。ある空間に点集合が与えられたとき、互いに密接にきっちり詰まっている点をグループにまとめ(多くの隣接点を持つ点、en:Fixed-radius_near_neighbors)、低密度領域にある点(その最近接点が遠すぎる点)を外れ値とする。

from Wikipedia - DBSCAN

高密度なクラスタリングとていう点は今回の要件と合います。

※ DBSCAN の例図（出典）

距離関数を指定して cluster を作成

上で定義した geodesic 距離関数を DBSCAN の metric 関数 として利用

5メートル範囲内に cluster を作成

from sklearn.cluster import DBSCAN

def distance_for_matrix(point_a, point_b):
  """
  geodesic distance of matrix
  """
  return _distance(point_a[0], point_a[1], point_b[0], point_b[1])

coords = gdf.as_matrix(columns=['place.location.lat', 'place.location.lon'])  # transform lat, lon to array
MIN_DISTANCE = 5  # cluster min distance as 5 meters
db = DBSCAN(
    eps=MIN_DISTANCE,  # min distance
    min_samples=1,  # min cluster samples, cluster will be -1 if under min_samples
    metric=distance_for_matrix
).fit(coords)

GeoDataFrame に代入

>> gdf['cluster'] = db.labels_
>> gdf['cluster'].value_counts()
6     50
4     29
24    27
5     27
12    25
      ..
40     1
38     1
37     1
36     1
39     1
Name: cluster, Length: 80, dtype: int64

39 クラスタ（地点）をまとまりました！

Cluster の情報を group by でまとめる

place_group = gdf.groupby('cluster')
grouped_df = pd.DataFrame({
  'place_names': place_group['place.name'].apply(lambda x: list(set([x for x in x.tolist() if isinstance(x, str)]))),  # list of place name
  'lat_mean': place_group['place.location.lat'].mean(),  # mean of latitude
  'lon_mean': place_group['place.location.lon'].mean(),  # mean of longitude
  'duration': place_group['duration'].mean(),  # mean of duration
  'times': place_group['cluster'].count(),  # visit times
})

• place_name: アプリで判定した地点名を set unique してリスト化
• lat_mean: 緯度の平均値
• lon_mean: 経度の平均値
• duration: 滞在時間の平均値
• times: 訪問回数

テーブル整形

# reshape dataframe
grouped_df.reset_index(inplace = True)

もう一回地図上で plot

group を色付けして

fig = go.Figure(go.Scattermapbox(
    mode = "markers+text",
    lat=gdf["place.location.lat"], 
    lon=gdf["place.location.lon"], 
    text=gdf['place.name'].apply(lambda x: x if isinstance(x, str) else ''),
    textposition = "bottom center",
    hoverinfo='name+text',
    hovertext=gdf.apply(lambda row: f"{row['place.name']} ({row['duration']}分, {row['cluster']})", axis=1),
    marker=go.scattermapbox.Marker(
        color=gdf['cluster'], colorscale='RdBu',  # colored by cluster
        size=10, sizemode='area')
    )
)

各地点毎にいい感じに色付けしました。

Google Place API で名前つけ

クラスタリングできので、未知の地点は Google Place API を利用して、まとめて取ります。

Google MAP の Python SDK を使います。Mapbox と同じ、Google Cloud Platform の開発アカウントを登録した上、 API KEY を取得する必要があります。

詳細は Google Cloud の公式ドキュメント を参照してください。

※ Place API も同じ従量課金制(Pay-As-You-Go Pricingで、毎月 100,000 回 request まで無料です。詳細はこちら

import googlemaps

gmaps = googlemaps.Client(key='your google api key')

def get_nearby_restaurants(lat, lon, count=5):
  """
  return first `count` of name of place near lat/lon
  """
  ret = gmaps.places_nearby(
    (lat, lon),
    radius=30,
    language='ja', 
    type='restaurant',  # search only restaurant 
    rank_by='prominence'  # sorted by google rank
  )
  return [r['name'] for r in ret['results'] if r['types'][0] == 'restaurant'][:count]

places_nearby method を使って、30メートル範囲（GPS誤差を考える）内のレストランを検索して、結果の中の name をリスト化して返す。

上の未知の地点を試してみる

>> get_nearby_restaurants(35.700658, 139.741140)
['Enoteca Vita', 'アズーリ 神楽坂', '竹子', 'てんたけ', '吾']

Enoteca Vita に行ったことがないが、確かにアズーリ はめっちゃ行ってました。

GPS の誤差があるのでしょうがないことです。

Cluster の DataFrame に応用

grouped_df['predict_locations'] = grouped_df.apply(lambda row: get_nearby_restaurants(row.lat_mean, row.lon_mean), axis=1)

店名をまとめる

もともとアプリであった、place_names と Google Place API で予測した predict_locations をまとめて name という項目にまとめます。

grouped_df['name'] = grouped_df.apply(
  lambda row: '/'.join(row['place_names'][:2]) if row['place_names'] else '/'.join(row['predict_locations'][:2]), axis=1
)

おれおれの飯田橋ランチマップ

データを全部揃ってきたので、いよいよ自分のランチはどんなっているのかを掲示していきます。

まずひとつの DataFrame にまとめます。

my_lunch_map_df = grouped_df[['name', 'lat_mean', 'lon_mean', 'duration', 'times', 'predict_locations']]

可視化したランチマップ最終形態

訪問回数を点の半径 size にして、店名を付けるようにしました

fig = go.Figure(go.Scattermapbox(
    mode = "markers+text",
    lat=my_lunch_map_df["lat_mean"], 
    lon=my_lunch_map_df["lon_mean"], 
    text=my_lunch_map_df['name'],
    textposition = "bottom center",
    hoverinfo='name+text',
    hovertext=my_lunch_map_df.apply(lambda row: f"{row['name']} ({row['duration']}分)" if row['times'] > 1 else '', axis=1),
    marker=go.scattermapbox.Marker(
        color=my_lunch_map_df.index, 
        size=my_lunch_map_df['times'],
        sizeref=0.2,
        sizemode='area',
        colorscale='RdBu',
        ),
    )
)

※ (こちらはスクリーンショットだけですが、実際 Notebook 上は Mapbox で拡大で、かぶるところの店名も表示されます)

1. 回数をソートしてわかること - 偏食？

# sort by times
my_lunch_map_df.sort_values('times', ascending=False).head(10)

	name	lat_mean	lon_mean	duration	times	predict_locations
0	刀削麺 火鍋 XI'AN	35.698675	139.745555	26.720000	50	[芊品香 別館, うなぎ川勢, X'IAN飯田橋, 居酒屋・秋刀魚, 鳴門鯛焼本舗 飯田橋駅前店]
1	ヤミツキカリー	35.699180	139.744961	17.793103	29	[魂心家 飯田橋, 東京餃子 あかり 飯田橋, 鳥貴族 飯田橋西口店, Yamitukiカリ...
2	JX通信社	35.700228	139.747905	30.555556	27	[大阪王将 飯田橋店, 蕎庵 卯のや, BAR de Cava]
3	たい料理 ロッディー	35.700607	139.745326	21.703704	27	[太郎坊, ロッディー]
4	Enoteca Vita/アズーリ 神楽坂	35.700658	139.741140	39.600000	25	[Enoteca Vita, アズーリ 神楽坂, 竹子, てんたけ, 吾]
5	イタリアン酒場P/エニタイムズ	35.699011	139.748671	27.208333	24	[イタリア料理 LUCE ルーチェ, イタリア酒場Ｐ, やきとり あそび邸 飯田橋, 美食処...
6	天こう餃子房	35.701035	139.746305	25.136364	22	[築地食堂源ちゃん 飯田橋店, テング酒場 飯田橋東口店, 土間土間 飯田橋東口店, 牛角 ...
7	鳥酎 飯田橋	35.700951	139.746536	26.000000	21	[テング酒場 飯田橋東口店, 土間土間 飯田橋東口店, ル・ジャングレ, 牛角 飯田橋東口店...
8	牧の家/旬味福でん	35.699635	139.746270	19.250000	20	[牧の家, 旬味福でん, 島]
9	アジアンダイニング puja	35.699137	139.748516	25.111111	18	[イタリア料理 LUCE ルーチェ, 時代寿司, イタリア酒場Ｐ, やきとり あそび邸 飯田...

1. 刀削麺めっちゃ食べてる？！

   • predict_locations を見ればわかるが、この地点では「芊品香 別館」が混在しているので、両方を合わせて 50 回ぐらい行った感じです。どっちも本場中華で、毎週絶対一回行きます。

   • XI`AN の麻辣刀削麺 と 芊品香の地獄辛麻婆豆腐どっちが強いのかな :thinking:

   • ちなみに会社の Slack に 芊品香 のスタンプもあります

2. 2位であるタイ風カレーの ヤミツキカリー もある時期毎日行ってた記憶があります。

3. JX通信社オフィスが3位！ある時期自炊して弁当を作ることがあったので、会社で食べることがわりと多かった（間違えってまとめてた可能性もあります）

4. 8 位 predict_locations にある島という沖縄料理にあたると思います

   偏食諸説？

   総合でみると、中華 (刀削麺 + 餃子房) 72 回、タイ + インド 74 回というのが年中半分以上の昼飯はこの2種類になってますので、偏食している自分を見つかったかもしれない？

2. 滞在時間をソートしわかること - シャッフルランチ制度

滞在時間長いが、ランチではない場所も出てきたので、一回レストラン名が取れなかったものをフィルタリングします

# sort by duration
my_lunch_map_df[my_lunch_map_df['name'].apply(lambda x: bool(x))].sort_values('duration', ascending=False).head(10)

	name	lat_mean	lon_mean	duration	times	predict_locations
46	別亭 鳥茶屋/メゾン・ド・ラ・ブルゴーニュ	35.700753	139.74074	73.000000	1	[別亭 鳥茶屋, メゾン・ド・ラ・ブルゴーニュ, アズーリ 神楽坂, 個室割烹 神楽坂 梅助...
65	神楽坂イタリアン400 クワトロチェント/天空のイタリアン Casa Valeria（カーサ...	35.701537	139.74016	48.000000	1	[神楽坂イタリアン400 クワトロチェント, 天空のイタリアン Casa Valeria（カ...
44	九頭龍蕎麦 はなれ/リストランテ クロディーノ 神楽坂	35.701844	139.73892	48.000000	1	[九頭龍蕎麦 はなれ, リストランテ クロディーノ 神楽坂, 上海ピーマン, 神楽坂 新泉,...
53	浅野屋/Sガスト 神田神保町店	35.695391	139.75954	45.000000	1	[浅野屋, Sガスト 神田神保町店, 本格四川料理 刀削麺 川府 神保町店, 築地食堂源ちゃ...
21	神楽坂魚金/神楽坂 芝蘭	35.702051	139.74132	40.666667	3	[神楽坂魚金, 神楽坂 芝蘭, 天孝, 翔山亭 黒毛和牛贅沢重専門店 神楽坂本店]
4	Enoteca Vita/アズーリ 神楽坂	35.700658	139.74114	39.600000	25	[Enoteca Vita, アズーリ 神楽坂, 竹子, てんたけ, 吾, ますだや, 다케...
32	卸）神保町食肉センター 本店/神保町 kururi	35.697251	139.75759	39.500000	2	[卸）神保町食肉センター 本店, 神保町 kururi]
67	筋肉食堂 水道橋店/札幌らーめん 品川甚作本店	35.701428	139.75370	39.000000	1	[筋肉食堂 水道橋店, 札幌らーめん 品川甚作本店, 立ち呑み海鮮 魚升, 御麺屋 水道橋店...
11	芊品香/和彩 かくや	35.699369	139.75014	38.500000	14	[芊品香, 和彩 かくや]
45	BISTROマルニ/源来酒家	35.695853	139.75458	37.000000	1	[BISTROマルニ, 源来酒家, CHICKEN CREW チキンクルー 神保町, 十勝ハ...

上位に神楽坂の料亭が多く並んているようです。

ここは JX通信社のシャッフルランチという制度があります。1人あたり1,000円を会社から支給で、オフィス周辺の美味しい店でゆっくりランチを食べれます。

www.wantedly.com

神楽坂4年住まいの自分もこの機会しか神楽坂の高級レストランに行けなかった。

ごちそうさまでした！

終わりに

今回は位置情報データをいろいろ変換と可視化をやってみました。 2年ほど寝かしたデータですが、可視化してみると意外と面白かった。 本当に偏食ではないですが、頭の中に思ってたアイディア具体化できるのがいいなと感じました。

明日の「JX通信社Advent Calendar 2019」は, @andmohikoさんです.

参考文献

• DBSCAN (https://scikit-learn.org/stable/auto_examples/cluster/plot_dbscan.html#sphx-glr-auto-examples-cluster-plot-dbscan-py)
• GeoPy Distance (https://geopy.readthedocs.io/en/stable/#module-geopy.distance)