# 必要なライブラリをインポート
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 日本語フォントの設定（Google Colab用）
plt.rcParams['font.family'] = 'DejaVu Sans'

# Seabornのスタイル設定
sns.set_style("whitegrid")

# 乱数のシードを固定（同じ結果が再現できるように）
np.random.seed(42)

print("ライブラリの準備完了！")

# 日付の範囲を作成（2024年1月1日から365日間）
dates = pd.date_range('2024-01-01', periods=365, freq='D')

# 商品リスト
products = ['りんご', 'みかん', 'バナナ', 'いちご', 'ぶどう']

# データを格納するリスト
data = []

# 各日付・各商品の売上データを生成
for date in dates:
    # 月を取得
    month = date.month
    
    # 季節による基本売上の変動
    if month in [6, 7, 8]:      # 夏
        base_sales = 150
    elif month in [12, 1, 2]:   # 冬
        base_sales = 80
    else:                        # 春・秋
        base_sales = 100
    
    # 各商品のデータを作成
    for product in products:
        # 商品ごとの売上係数
        if product == 'りんご':
            product_base = base_sales * 1.2
        elif product == 'みかん':
            product_base = base_sales * 1.0
        elif product == 'バナナ':
            product_base = base_sales * 1.5
        elif product == 'いちご':
            product_base = base_sales * 0.8
        else:  # ぶどう
            product_base = base_sales * 1.1
        
        # ランダムな変動を追加（±20の範囲）
        sales = int(product_base + np.random.normal(0, 20))
        sales = max(0, sales)  # マイナスにならないように
        
        # データをリストに追加
        data.append({
            '日付': date,
            '商品名': product,
            '売上金額': sales * 100  # 1個100円と仮定
        })

# DataFrameに変換
df = pd.DataFrame(data)

print("データの準備完了！")
print(f"データ件数: {len(df)}件")
print()
print("最初の10行:")
df.head(10)

# データの形状を確認
print("=== データの形状 ===")
print(f"行数: {df.shape[0]}, 列数: {df.shape[1]}")
print()

# データ型を確認
print("=== データ型 ===")
print(df.dtypes)
print()

# 基本統計量を確認
print("=== 売上金額の基本統計量 ===")
print(df['売上金額'].describe())
print()

# 欠損値を確認
print("=== 欠損値の確認 ===")
print(df.isnull().sum())
print()

# 商品の種類を確認
print("=== 商品の種類 ===")
print(df['商品名'].unique())

# 日付から「月」の列を追加
df['月'] = df['日付'].dt.month

# 月別の売上合計を集計
monthly_sales = df.groupby('月')['売上金額'].sum()

print("=== 月別売上合計 ===")
for month, sales in monthly_sales.items():
    print(f"{month:2d}月: {sales:>10,}円")

print()

# 月別の売上平均（1日あたり）
monthly_avg = df.groupby('月')['売上金額'].mean()

print("=== 月別平均売上（1日・1商品あたり）===")
for month, avg in monthly_avg.items():
    print(f"{month:2d}月: {avg:>8,.0f}円")

# 商品別の売上合計を集計（降順でソート）
product_sales = df.groupby('商品名')['売上金額'].sum().sort_values(ascending=False)

print("=== 商品別売上ランキング ===")
for rank, (product, sales) in enumerate(product_sales.items(), 1):
    print(f"{rank}位: {product:8s} {sales:>12,}円")

print()

# 商品別の平均売上
product_avg = df.groupby('商品名')['売上金額'].mean().sort_values(ascending=False)

print("=== 商品別平均売上（1日あたり）===")
for product, avg in product_avg.items():
    print(f"{product:8s} {avg:>8,.0f}円")

# ピボットテーブルを作成
pivot_table = df.pivot_table(
    values='売上金額',      # 集計する値
    index='月',             # 行に配置
    columns='商品名',       # 列に配置
    aggfunc='sum'           # 集計方法（合計）
)

print("=== 月別・商品別売上（ピボットテーブル）===")
print(pivot_table)
print()

# 各月の売上トップ商品を表示
print("=== 各月の売上トップ商品 ===")
for month in range(1, 13):
    top_product = pivot_table.loc[month].idxmax()  # 最大値のインデックス（商品名）
    top_sales = pivot_table.loc[month].max()       # 最大値
    print(f"{month:2d}月: {top_product} ({top_sales:,.0f}円)")

# グラフのサイズを設定
plt.figure(figsize=(12, 6))

# 折れ線グラフを描画
plt.plot(monthly_sales.index, monthly_sales.values, 
         marker='o', linewidth=2, markersize=8, color='steelblue')

# グラフの装飾
plt.title('Monthly Sales Trend (月別売上推移)', fontsize=16, fontweight='bold')
plt.xlabel('Month (月)', fontsize=12)
plt.ylabel('Sales (円)', fontsize=12)
plt.grid(True, alpha=0.3)
plt.xticks(range(1, 13))

# 最大値と最小値にマーカーを追加
max_month = monthly_sales.idxmax()
min_month = monthly_sales.idxmin()
plt.scatter(max_month, monthly_sales[max_month], color='red', s=200, zorder=5, label='Max')
plt.scatter(min_month, monthly_sales[min_month], color='blue', s=200, zorder=5, label='Min')
plt.legend()

plt.tight_layout()
plt.show()

# 最大・最小の月を表示
print(f"売上が最も多かった月: {max_month}月 ({monthly_sales[max_month]:,}円)")
print(f"売上が最も少なかった月: {min_month}月 ({monthly_sales[min_month]:,}円)")

# グラフのサイズを設定
plt.figure(figsize=(10, 6))

# 色のリスト
colors = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#FFA07A', '#98D8C8']

# 棒グラフを描画
bars = plt.bar(product_sales.index, product_sales.values, color=colors, edgecolor='black')

# 各棒の上に金額を表示
for bar in bars:
    height = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2., height,
             f'{int(height):,}',
             ha='center', va='bottom', fontsize=10, fontweight='bold')

# グラフの装飾
plt.title('Sales by Product (商品別売上)', fontsize=16, fontweight='bold')
plt.xlabel('Product', fontsize=12)
plt.ylabel('Sales (円)', fontsize=12)
plt.grid(axis='y', alpha=0.3)

plt.tight_layout()
plt.show()

# グラフのサイズを設定
plt.figure(figsize=(14, 7))

# 各商品の月別売上を折れ線グラフで表示
for product in products:
    # 特定の商品のデータを抽出して月別に集計
    product_monthly = df[df['商品名'] == product].groupby('月')['売上金額'].sum()
    plt.plot(product_monthly.index, product_monthly.values, 
             marker='o', label=product, linewidth=2)

# グラフの装飾
plt.title('Monthly Sales by Product (商品別・月別売上推移)', fontsize=16, fontweight='bold')
plt.xlabel('Month', fontsize=12)
plt.ylabel('Sales (円)', fontsize=12)
plt.legend(title='Product', fontsize=10)
plt.grid(True, alpha=0.3)
plt.xticks(range(1, 13))

plt.tight_layout()
plt.show()

print("=" * 60)
print("売上データ分析レポート")
print("=" * 60)
print()

# 1. 年間総売上
total_sales = df['売上金額'].sum()
print("【1. 年間総売上】")
print(f"   {total_sales:,}円")
print()

# 2. 月別の傾向
max_month = monthly_sales.idxmax()
min_month = monthly_sales.idxmin()
print("【2. 月別傾向】")
print(f"   最高売上月: {max_month}月 ({monthly_sales[max_month]:,}円)")
print(f"   最低売上月: {min_month}月 ({monthly_sales[min_month]:,}円)")
print(f"   差額: {monthly_sales[max_month] - monthly_sales[min_month]:,}円")
print()

# 3. 季節性の分析
summer_sales = monthly_sales[[6, 7, 8]].sum()
winter_sales = monthly_sales[[12, 1, 2]].sum()
growth_rate = ((summer_sales / winter_sales) - 1) * 100
print("【3. 季節による違い】")
print(f"   夏季(6-8月)売上: {summer_sales:,}円")
print(f"   冬季(12-2月)売上: {winter_sales:,}円")
print(f"   夏季は冬季より {growth_rate:.1f}% 高い")
print()

# 4. 商品別の傾向
print("【4. 商品別ランキング】")
for rank, (product, sales) in enumerate(product_sales.items(), 1):
    share = (sales / total_sales) * 100
    print(f"   {rank}位: {product} - {sales:,}円 ({share:.1f}%)")
print()

# 5. 改善提案
print("【5. 改善提案】")
print(f"   ✓ 夏季は売上が{growth_rate:.1f}%増加 → 夏の在庫を増やす")
print(f"   ✓ {product_sales.index[0]}が売上トップ → 関連商品の展開を検討")
print(f"   ✓ {min_month}月の売上が低い → 冬季キャンペーンの実施")
print(f"   ✓ {product_sales.index[-1]}の売上が最下位 → プロモーション強化")
print()
print("=" * 60)

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 乱数シードを固定
np.random.seed(42)

# 回答者数
n_responses = 200

# 年齢層（確率で分布を設定）
age_groups = ['10代', '20代', '30代', '40代', '50代以上']
ages = np.random.choice(age_groups, n_responses, 
                        p=[0.1, 0.3, 0.3, 0.2, 0.1])

# 性別
genders = np.random.choice(['男性', '女性'], n_responses, 
                           p=[0.45, 0.55])

# 総合満足度（5段階評価）- 年齢により傾向を変える
satisfaction = []
for age in ages:
    if age in ['10代', '20代']:
        # 若い世代は満足度が高め
        score = np.random.choice([3, 4, 5], p=[0.2, 0.5, 0.3])
    elif age in ['30代', '40代']:
        # 中年層は標準的
        score = np.random.choice([2, 3, 4, 5], p=[0.1, 0.3, 0.4, 0.2])
    else:
        # シニア層は少し厳しめ
        score = np.random.choice([2, 3, 4], p=[0.2, 0.5, 0.3])
    satisfaction.append(score)

# 商品の質（5段階評価）
product_quality = np.random.choice([2, 3, 4, 5], n_responses, 
                                   p=[0.05, 0.25, 0.45, 0.25])

# 接客態度（5段階評価）
service_quality = np.random.choice([2, 3, 4, 5], n_responses, 
                                   p=[0.1, 0.2, 0.4, 0.3])

# 価格満足度（5段階評価）- やや厳しめの評価
price_satisfaction = np.random.choice([1, 2, 3, 4, 5], n_responses, 
                                      p=[0.05, 0.15, 0.35, 0.3, 0.15])

# リピート意向
repeat_intention = np.random.choice(['はい', 'いいえ', 'わからない'], 
                                    n_responses, p=[0.6, 0.1, 0.3])

# DataFrameに格納
survey_df = pd.DataFrame({
    '年齢層': ages,
    '性別': genders,
    '総合満足度': satisfaction,
    '商品の質': product_quality,
    '接客態度': service_quality,
    '価格満足度': price_satisfaction,
    'リピート意向': repeat_intention
})

print("アンケートデータの準備完了！")
print(f"回答者数: {len(survey_df)}人")
print()
print("最初の10行:")
survey_df.head(10)

# データ型と欠損値の確認
print("=== データの基本情報 ===")
print(survey_df.info())
print()

# 数値項目の統計量
print("=== 数値項目の統計量 ===")
numeric_cols = ['総合満足度', '商品の質', '接客態度', '価格満足度']
print(survey_df[numeric_cols].describe().round(2))
print()

# 年齢層の分布
print("=== 年齢層の分布 ===")
age_counts = survey_df['年齢層'].value_counts().sort_index()
for age, count in age_counts.items():
    print(f"{age}: {count}人 ({count/len(survey_df)*100:.1f}%)")
print()

# 性別の分布
print("=== 性別の分布 ===")
gender_counts = survey_df['性別'].value_counts()
for gender, count in gender_counts.items():
    print(f"{gender}: {count}人 ({count/len(survey_df)*100:.1f}%)")

# 総合満足度の分布
print("=== 総合満足度の分布 ===")
satisfaction_dist = survey_df['総合満足度'].value_counts().sort_index()
for score, count in satisfaction_dist.items():
    percentage = (count / len(survey_df)) * 100
    bar = '█' * int(percentage / 2)  # 簡易的な棒グラフ
    print(f"{score}点: {count:3d}人 ({percentage:5.1f}%) {bar}")
print()

# 各項目の平均点
print("=== 各項目の平均点 ===")
avg_scores = {
    '総合満足度': survey_df['総合満足度'].mean(),
    '商品の質': survey_df['商品の質'].mean(),
    '接客態度': survey_df['接客態度'].mean(),
    '価格満足度': survey_df['価格満足度'].mean()
}

for item, score in avg_scores.items():
    stars = '★' * int(score) + '☆' * (5 - int(score))
    print(f"{item:10s}: {score:.2f}点 {stars}")
print()

# リピート意向の集計
print("=== リピート意向 ===")
repeat_dist = survey_df['リピート意向'].value_counts()
for intention, count in repeat_dist.items():
    percentage = (count / len(survey_df)) * 100
    print(f"{intention:10s}: {count:3d}人 ({percentage:5.1f}%)")

# 年齢層別の総合満足度
age_order = ['10代', '20代', '30代', '40代', '50代以上']
age_satisfaction = survey_df.groupby('年齢層')['総合満足度'].agg(['mean', 'count'])
age_satisfaction = age_satisfaction.reindex(age_order)

print("=== 年齢層別の総合満足度 ===")
print(f"{'年齢層':8s} {'平均点':>8s} {'回答数':>8s}")
print("-" * 30)
for age, row in age_satisfaction.iterrows():
    print(f"{age:8s} {row['mean']:8.2f} {int(row['count']):8d}人")
print()

# 年齢層別の各項目平均
print("=== 年齢層別の各項目平均 ===")
age_analysis = survey_df.groupby('年齢層')[numeric_cols].mean()
age_analysis = age_analysis.reindex(age_order)
print(age_analysis.round(2))

# 年齢層×リピート意向のクロス集計
print("=== 年齢層別リピート意向（%）===")
age_repeat = pd.crosstab(
    survey_df['年齢層'],
    survey_df['リピート意向'],
    normalize='index'  # 行方向で正規化（各年齢層の合計が100%）
) * 100

age_repeat = age_repeat.reindex(age_order)
print(age_repeat.round(1))
print()

# 性別×総合満足度のクロス集計
print("=== 性別×総合満足度（%）===")
gender_satisfaction = pd.crosstab(
    survey_df['性別'],
    survey_df['総合満足度'],
    normalize='index'
) * 100

print(gender_satisfaction.round(1))

# 2×2のダッシュボードを作成
fig, axes = plt.subplots(2, 2, figsize=(14, 10))
fig.suptitle('Customer Satisfaction Analysis', fontsize=18, fontweight='bold')

# 1. 総合満足度の分布（棒グラフ）
ax1 = axes[0, 0]
satisfaction_dist.plot(kind='bar', ax=ax1, color='steelblue', edgecolor='black')
ax1.set_title('Overall Satisfaction Distribution', fontsize=14)
ax1.set_xlabel('Score', fontsize=12)
ax1.set_ylabel('Count', fontsize=12)
ax1.set_xticklabels(ax1.get_xticklabels(), rotation=0)
# 各棒に人数を表示
for i, v in enumerate(satisfaction_dist.values):
    ax1.text(i, v + 2, str(v), ha='center', fontweight='bold')

# 2. 各項目の平均点（横棒グラフ）
ax2 = axes[0, 1]
items = list(avg_scores.keys())
scores = list(avg_scores.values())
colors = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#FFA07A']
bars = ax2.barh(items, scores, color=colors, edgecolor='black')
ax2.set_title('Average Score by Category', fontsize=14)
ax2.set_xlabel('Score', fontsize=12)
ax2.set_xlim(0, 5)
ax2.axvline(x=3, color='red', linestyle='--', alpha=0.5, label='Middle (3)')
# 各棒に点数を表示
for bar, score in zip(bars, scores):
    ax2.text(score + 0.1, bar.get_y() + bar.get_height()/2,
             f'{score:.2f}', va='center', fontweight='bold')

# 3. 年齢層別の総合満足度（棒グラフ）
ax3 = axes[1, 0]
age_satisfaction['mean'].plot(kind='bar', ax=ax3, color='coral', edgecolor='black')
ax3.set_title('Satisfaction by Age Group', fontsize=14)
ax3.set_xlabel('Age Group', fontsize=12)
ax3.set_ylabel('Average Score', fontsize=12)
ax3.set_xticklabels(ax3.get_xticklabels(), rotation=45)
ax3.set_ylim(0, 5)
ax3.axhline(y=3, color='red', linestyle='--', alpha=0.5)
# 各棒に点数を表示
for i, v in enumerate(age_satisfaction['mean'].values):
    ax3.text(i, v + 0.1, f'{v:.2f}', ha='center', fontweight='bold')

# 4. リピート意向（円グラフ）
ax4 = axes[1, 1]
colors_pie = ['#90EE90', '#FFB6C1', '#FFD700']
repeat_dist.plot(kind='pie', ax=ax4, autopct='%1.1f%%', colors=colors_pie)
ax4.set_title('Repeat Intention', fontsize=14)
ax4.set_ylabel('')

plt.tight_layout()
plt.show()

print("=" * 60)
print("アンケートデータ分析レポート")
print("=" * 60)
print()

# 1. 回答者の属性
print("【1. 回答者プロフィール】")
print(f"   総回答数: {len(survey_df)}人")
main_age = age_counts.idxmax()
print(f"   主な年齢層: {main_age}が最多 ({age_counts[main_age]}人)")
print(f"   性別比率: 女性{gender_counts['女性']/len(survey_df)*100:.0f}%、男性{gender_counts['男性']/len(survey_df)*100:.0f}%")
print()

# 2. 満足度の現状
high_satisfaction = (survey_df['総合満足度'] >= 4).sum()
low_satisfaction = (survey_df['総合満足度'] <= 2).sum()
print("【2. 満足度の現状】")
print(f"   総合満足度平均: {survey_df['総合満足度'].mean():.2f}点")
print(f"   満足層（4点以上）: {high_satisfaction}人 ({high_satisfaction/len(survey_df)*100:.0f}%)")
print(f"   不満層（2点以下）: {low_satisfaction}人 ({low_satisfaction/len(survey_df)*100:.0f}%)")
print()

# 3. 項目別の評価
best_item = max(avg_scores, key=avg_scores.get)
worst_item = min(avg_scores, key=avg_scores.get)
print("【3. 項目別評価】")
print(f"   最高評価: {best_item} ({avg_scores[best_item]:.2f}点)")
print(f"   最低評価: {worst_item} ({avg_scores[worst_item]:.2f}点)")
print(f"   改善余地: {worst_item}が他項目より{avg_scores[best_item] - avg_scores[worst_item]:.2f}点低い")
print()

# 4. 年齢層による違い
highest_age = age_satisfaction['mean'].idxmax()
lowest_age = age_satisfaction['mean'].idxmin()
print("【4. 年齢層による違い】")
print(f"   最も満足度が高い: {highest_age} ({age_satisfaction.loc[highest_age, 'mean']:.2f}点)")
print(f"   最も満足度が低い: {lowest_age} ({age_satisfaction.loc[lowest_age, 'mean']:.2f}点)")
print(f"   傾向: 若年層ほど満足度が高い")
print()

# 5. リピート意向
repeat_yes = repeat_dist['はい']
repeat_no = repeat_dist['いいえ']
repeat_unknown = repeat_dist['わからない']
print("【5. リピート意向】")
print(f"   リピート希望: {repeat_yes}人 ({repeat_yes/len(survey_df)*100:.0f}%)")
print(f"   リピート否定: {repeat_no}人 ({repeat_no/len(survey_df)*100:.0f}%)")
print(f"   保留層: {repeat_unknown}人 ({repeat_unknown/len(survey_df)*100:.0f}%)")
print()

# 6. 改善提案
print("【6. 改善提案】")
print(f"   ✓ {worst_item}が最も低い → 価格戦略の見直しが必要")
print(f"   ✓ {lowest_age}の満足度が低い → シニア層向けサービスの改善")
print(f"   ✓ {best_item}は高評価 → この強みをアピールすべき")
print(f"   ✓ 保留層が{repeat_unknown/len(survey_df)*100:.0f}% → 具体的な改善で取り込める可能性")
print()
print("=" * 60)