├── .gitignore ├── python ├── MeCab │ ├── aozora │ │ ├── extract_noun.py │ │ └── get_aozora.sh │ ├── gram_and_word.py │ ├── mecab_example.py │ ├── ngram │ │ ├── data.py │ │ └── multi_vectorizer.py │ └── wakati.py ├── R │ ├── scatter.R │ ├── scatter.py │ └── wine.csv ├── flask │ └── release_scripts │ │ ├── release_batch │ │ └── release_web ├── gaussian.py ├── machine-learning │ └── recommendation │ │ ├── collaborative_filter.py │ │ └── recommendation_data.py ├── matplotlib │ └── linear-regression.py ├── misc │ └── scripts │ │ └── chmodtree.py ├── numpy │ ├── asymptotic-theory.py │ └── temperature.csv ├── pandas │ ├── animal.csv │ ├── data.csv │ ├── jpstock.py │ ├── log2panel.py │ ├── panel.py │ ├── stats.py │ └── stock_regress.py ├── scipy │ └── t-test.py ├── sklearn │ ├── CodeIQ │ │ ├── CodeIQ_auth.txt │ │ ├── CodeIQ_data.txt │ │ ├── CodeIQ_eaten.txt │ │ ├── CodeIQ_mycoins.txt │ │ ├── sklearn-clustering.py │ │ └── sklearn-svm.py │ ├── bernoulli_nb.py │ ├── clustering.py │ ├── gaussian_nb.py │ ├── london │ │ ├── cross_validation.py │ │ ├── cross_validation_2.py │ │ ├── grid_search.py │ │ ├── kneighbors.py │ │ ├── random_forest.py │ │ ├── svm.py │ │ ├── svm2.py │ │ ├── test.csv │ │ ├── train.csv │ │ └── trainLabels.csv │ └── multinomial_nb_2.py ├── tensorflow │ ├── MNIST_csv │ │ └── all.tar.gz.bin │ ├── MNIST_data │ │ ├── t10k-images-idx3-ubyte.gz │ │ ├── t10k-labels-idx1-ubyte.gz │ │ ├── train-images-idx3-ubyte.gz │ │ └── train-labels-idx1-ubyte.gz │ ├── mnist2jpg.py │ ├── stock_predict.py │ └── zip.sh ├── text-mining │ ├── decompose.py │ ├── decompose2.py │ ├── extract_category_map.py │ ├── parse.py │ ├── test_exclude.txt │ ├── test_extract_category_map.py │ └── test_filename.txt └── wordnet │ └── search_similar_words.py ├── r ├── linear-regression.R └── stats │ ├── fa.R │ ├── macbook_price.ods │ ├── macbook_price.tsv │ ├── macbook_price_check.tsv │ └── sample_data.csv └── ruby ├── feed ├── major_newspaper.opml └── major_newspaper.yml ├── hadoop └── streaming │ ├── example │ ├── lib │ │ ├── mapper.rb │ │ └── reducer.rb │ └── test.json │ ├── job1_export │ ├── Rakefile │ ├── lib │ │ ├── mapper.rb │ │ └── reducer.rb │ ├── spec │ │ ├── mapper_spec.rb │ │ └── reducer_spec.rb │ └── test_data.txt │ └── job2_merge │ ├── Rakefile │ ├── lib │ ├── mapper.rb │ └── reducer.rb │ ├── spec │ ├── mapper_spec.rb │ └── reducer_spec.rb │ └── test_data.txt ├── jpstock └── data │ ├── diff_20150824-20150825.csv │ ├── diff_20150825-20150826.csv │ ├── diff_20150826-20150827.csv │ ├── diff_20150827-20150828.csv │ ├── diff_20150828-20150831.csv │ ├── diff_20150831-20150901.csv │ ├── diff_20150901-20150911.csv │ ├── diff_20150902-20150916.csv │ ├── diff_20150911-20150914.csv │ ├── diff_20150914-20150915.csv │ ├── diff_20150915-20150902.csv │ ├── diff_20150916-20150917.csv │ ├── diff_20150917-20150918.csv │ ├── diff_20150918-20150921.csv │ ├── diff_20150921-20150922.csv │ ├── diff_20150922-20150923.csv │ ├── diff_20150923-20150924.csv │ ├── diff_20150924-20150925.csv │ ├── diff_20150925-20150928.csv │ ├── diff_20150928-20150929.csv │ ├── diff_20150929-20150930.csv │ ├── diff_20150930-20151001.csv │ ├── diff_20151001-20151002.csv │ ├── diff_20151002-20151005.csv │ ├── gen.sh │ ├── ref_20150821.csv │ ├── ref_20150824.csv │ ├── ref_20150825.csv │ ├── ref_20150826.csv │ ├── ref_20150827.csv │ ├── ref_20150828.csv │ ├── ref_20150831.csv │ ├── ref_20150901.csv │ ├── ref_20150902.csv │ ├── summary.csv.20150824.csv │ ├── summary.csv.20150825.csv │ ├── summary.csv.20150826.csv │ ├── summary.csv.20150827.csv │ ├── summary.csv.20150828.csv │ ├── summary.csv.20150831.csv │ ├── summary.csv.20150901.csv │ ├── summary.csv.20150902.csv │ ├── summary.csv.20150911.csv │ ├── summary.csv.20150914.csv │ ├── summary.csv.20150915.csv │ ├── summary.csv.20150916.csv │ ├── summary.csv.20150917.csv │ ├── summary.csv.20150918.csv │ ├── summary.csv.20150921.csv │ ├── summary.csv.20150922.csv │ ├── summary.csv.20150923.csv │ ├── summary.csv.20150924.csv │ ├── summary.csv.20150925.csv │ ├── summary.csv.20150928.csv │ ├── summary.csv.20150929.csv │ ├── summary.csv.20150930.csv │ ├── summary.csv.20151001.csv │ ├── summary.csv.20151002.csv │ └── summary.csv.20151005.csv ├── logst └── api-sample.rb ├── machine-learning └── recommendation │ └── recommendations.rb ├── mail ├── attach.txt ├── body.txt └── sendmail.rb └── text-mining ├── naivebayes.rb └── news.log.20141013_0.txt /.gitignore: -------------------------------------------------------------------------------- 1 | *.o 2 | *.lo 3 | *.la 4 | #*# 5 | .*.rej 6 | *.rej 7 | .*~ 8 | *~ 9 | .#* 10 | .DS_Store 11 | *.sw[po] 12 | tags 13 | *.pyc 14 | *.class 15 | .svn 16 | *.svn-base 17 | *.log 18 | *.bak 19 | *.tmp 20 | *.swp 21 | *.lock 22 | *.zip 23 | *.tar.gz 24 | *.so 25 | *.out 26 | *.png 27 | .cache/ 28 | Rplots.pdf 29 | .Rhistory 30 | ipython_log.py 31 | Untitled0.ipynb 32 | .ipynb_checkpoints 33 | -------------------------------------------------------------------------------- /python/MeCab/aozora/extract_noun.py: -------------------------------------------------------------------------------- 1 | import sys 2 | import MeCab 3 | 4 | tagger = MeCab.Tagger('-d /usr/local/lib/mecab/dic/ipadic') 5 | 6 | def preprocessing(sentence): 7 | return sentence.rstrip() 8 | 9 | def extract_noun_by_parse(path): 10 | with open(path) as fd: 11 | nouns = [] 12 | for sentence in map(preprocessing, fd): 13 | for chunk in tagger.parse(sentence).splitlines()[:-1]: 14 | (surface, feature) = chunk.split('\t') 15 | if feature.startswith('名詞'): 16 | nouns.append(surface) 17 | return nouns 18 | 19 | 20 | if __name__ == '__main__': 21 | argsmin = 1 22 | version = (3, 0) 23 | if sys.version_info > (version): 24 | if len(sys.argv) > argsmin: 25 | noun = extract_noun_by_parse(sys.argv[1]) 26 | print(len(noun)) 27 | else: 28 | print("This program needs at least %(argsmin)s arguments" % 29 | locals()) 30 | else: 31 | print("This program requires python > %(version)s" % locals()) 32 | -------------------------------------------------------------------------------- /python/MeCab/aozora/get_aozora.sh: -------------------------------------------------------------------------------- 1 | #!/bin/sh 2 | 3 | curl -L -o $HOME/tmp/2093_ruby_28087.zip http://www.aozora.gr.jp/cards/000096/files/2093_ruby_28087.zip 4 | unzip -d $HOME/tmp ~/tmp/2093_ruby_28087.zip 5 | rm ~/tmp/2093_ruby_28087.zip 6 | ruby ~/scripts/aozora_prepare.rb ~/tmp/dogura_magura.txt ~/tmp/dogura_magura_utf8.txt 7 | rm ~/tmp/dogura_magura.txt 8 | python extract_noun.py ~/tmp/dogura_magura_utf8.txt 9 | -------------------------------------------------------------------------------- /python/MeCab/gram_and_word.py: -------------------------------------------------------------------------------- 1 | #!/usr/bin/env python 2 | # -*- encoding: utf-8 -*- 3 | 4 | import MeCab 5 | mecab = MeCab.Tagger("-Ochasen") 6 | m = mecab.parseToNode("昨日、急に思い立ってザリガニを飼ってみた。") 7 | cnt = 0 8 | while m: 9 | print(m.surface, "\t", m.feature) 10 | if m.surface.find('BOS/EOS') >= 0 or len(m.surface) == 0: 11 | m = m.__next__ 12 | continue 13 | feat = m.feature 14 | arr = feat.split(',') 15 | gram = arr[0] # 品詞 16 | word = arr[6] # 原形 17 | if gram in ('名詞', '動詞', '形容詞'): 18 | print(gram, word) 19 | 20 | cnt = cnt + 1 21 | m = m.__next__ 22 | -------------------------------------------------------------------------------- /python/MeCab/mecab_example.py: -------------------------------------------------------------------------------- 1 | #!/usr/bin/env python 2 | # -*- encoding: utf-8 -*- 3 | 4 | import MeCab 5 | m = MeCab.Tagger("-Ochasen") 6 | print(m.parse("太郎はこの本を二郎を見た女性に渡した。")) 7 | -------------------------------------------------------------------------------- /python/MeCab/ngram/data.py: -------------------------------------------------------------------------------- 1 | #! /usr/bin/env python 2 | #-*- coding:utf-8 -*- 3 | 4 | # 青空文庫より「吾輩は猫である」の冒頭抜粋 5 | # 青空文庫収録ファイルの取り扱い規準 http://www.aozora.gr.jp/guide/kijyunn.html 6 | 7 | sentences = """\ 8 | 吾輩は猫である。名前はまだ無い。 9 | どこで生れたかとんと見当がつかぬ。何でも薄暗いじめじめした所でニャーニャー泣いていた事だけは記憶している。吾輩はここで始めて人間というものを見た。しかもあとで聞くとそれは書生という人間中で一番｜獰悪な種族であったそうだ。この書生というのは時々我々を捕えて煮て食うという話である。しかしその当時は何という考もなかったから別段恐しいとも思わなかった。ただ彼の掌に載せられてスーと持ち上げられた時何だかフワフワした感じがあったばかりである。掌の上で少し落ちついて書生の顔を見たのがいわゆる人間というものの見始であろう。この時妙なものだと思った感じが今でも残っている。第一毛をもって装飾されべきはずの顔がつるつるしてまるで薬缶だ。その後猫にもだいぶ逢ったがこんな片輪には一度も出会わした事がない。のみならず顔の真中があまりに突起している。そうしてその穴の中から時々ぷうぷうと煙を吹く。どうも咽せぽくて実に弱った。これが人間の飲む煙草というものである事はようやくこの頃知った。 10 | この書生の掌の裏でしばらくはよい心持に坐っておったが、しばらくすると非常な速力で運転し始めた。書生が動くのか自分だけが動くのか分らないが無暗に眼が廻る。胸が悪くなる。到底助からないと思っていると、どさりと音がして眼から火が出た。それまでは記憶しているがあとは何の事やらいくら考え出そうとしても分らない。 11 | ふと気が付いて見ると書生はいない。たくさんおった兄弟が一｜疋も見えぬ。肝心の母親さえ姿を隠してしまった。その上｜今までの所とは違って無暗に明るい。眼を明いていられぬくらいだ。はてな何でも容子がおかしいと、のそのそ這い出して見ると非常に痛い。吾輩は藁の上から急に笹原の中へ棄てられたのである。 12 | ようやくの思いで笹原を這い出すと向うに大きな池がある。吾輩は池の前に坐ってどうしたらよかろうと考えて見た。別にこれという分別も出ない。しばらくして泣いたら書生がまた迎に来てくれるかと考え付いた。ニャー、ニャーと試みにやって見たが誰も来ない。そのうち池の上をさらさらと風が渡って日が暮れかかる。腹が非常に減って来た。泣きたくても声が出ない。仕方がない、何でもよいから食物のある所まであるこうと決心をしてそろりそろりと池を左りに廻り始めた。どうも非常に苦しい。そこを我慢して無理やりに這って行くとようやくの事で何となく人間臭い所へ出た。ここへ這入ったら、どうにかなると思って竹垣の崩れた穴から、とある邸内にもぐり込んだ。縁は不思議なもので、もしこの竹垣が破れていなかったなら、吾輩はついに路傍に餓死したかも知れんのである。一樹の蔭とはよく云ったものだ。この垣根の穴は今日に至るまで吾輩が隣家の三毛を訪問する時の通路になっている。さて邸へは忍び込んだもののこれから先どうして善いか分らない。そのうちに暗くなる、腹は減る、寒さは寒し、雨が降って来るという始末でもう一刻の猶予が出来なくなった。仕方がないからとにかく明るくて暖かそうな方へ方へとあるいて行く。今から考えるとその時はすでに家の内に這入っておったのだ。ここで吾輩は彼の書生以外の人間を再び見るべき機会に遭遇したのである。第一に逢ったのがおさんである。これは前の書生より一層乱暴な方で吾輩を見るや否やいきなり頸筋をつかんで表へ抛り出した。いやこれは駄目だと思ったから眼をねぶって運を天に任せていた。しかしひもじいのと寒いのにはどうしても我慢が出来ん。吾輩は再びおさんの隙を見て台所へ這い上った。すると間もなくまた投げ出された。吾輩は投げ出されては這い上り、這い上っては投げ出され、何でも同じ事を四五遍繰り返したのを記憶している。その時におさんと云う者はつくづくいやになった。この間おさんの三馬を偸んでこの返報をしてやってから、やっと胸の痞が下りた。吾輩が最後につまみ出されようとしたときに、この家の主人が騒々しい何だといいながら出て来た。下女は吾輩をぶら下げて主人の方へ向けてこの宿なしの小猫がいくら出しても出しても御台所へ上って来て困りますという。主人は鼻の下の黒い毛を撚りながら吾輩の顔をしばらく眺めておったが、やがてそんなら内へ置いてやれといったまま奥へ這入ってしまった。主人はあまり口を聞かぬ人と見えた。下女は口惜しそうに吾輩を台所へ抛り出した。かくして吾輩はついにこの家を自分の住家と極める事にしたのである。 13 | 吾輩の主人は滅多に吾輩と顔を合せる事がない。職業は教師だそうだ。学校から帰ると終日書斎に這入ったぎりほとんど出て来る事がない。家のものは大変な勉強家だと思っている。当人も勉強家であるかのごとく見せている。しかし実際はうちのものがいうような勤勉家ではない。吾輩は時々忍び足に彼の書斎を覗いて見るが、彼はよく昼寝をしている事がある。時々読みかけてある本の上に涎をたらしている。彼は胃弱で皮膚の色が淡黄色を帯びて弾力のない不活溌な徴候をあらわしている。その癖に大飯を食う。大飯を食った後でタカジヤスターゼを飲む。飲んだ後で書物をひろげる。二三ページ読むと眠くなる。涎を本の上へ垂らす。これが彼の毎夜繰り返す日課である。吾輩は猫ながら時々考える事がある。教師というものは実に楽なものだ。人間と生れたら教師となるに限る。こんなに寝ていて勤まるものなら猫にでも出来ぬ事はないと。それでも主人に云わせると教師ほどつらいものはないそうで彼は友達が来る度に何とかかんとか不平を鳴らしている。 14 | 吾輩がこの家へ住み込んだ当時は、主人以外のものにははなはだ不人望であった。どこへ行っても跳ね付けられて相手にしてくれ手がなかった。いかに珍重されなかったかは、今日に至るまで名前さえつけてくれないのでも分る。吾輩は仕方がないから、出来得る限り吾輩を入れてくれた主人の傍にいる事をつとめた。朝主人が新聞を読むときは必ず彼の膝の上に乗る。彼が昼寝をするときは必ずその背中に乗る。これはあながち主人が好きという訳ではないが別に構い手がなかったからやむを得んのである。その後いろいろ経験の上、朝は飯櫃の上、夜は炬燵の上、天気のよい昼は椽側へ寝る事とした。しかし一番心持の好いのは夜に入ってここのうちの小供の寝床へもぐり込んでいっしょにねる事である。この小供というのは五つと三つで夜になると二人が一つ床へ入って一間へ寝る。吾輩はいつでも彼等の中間に己れを容るべき余地を見出してどうにか、こうにか割り込むのであるが、運悪く小供の一人が眼を醒ますが最後大変な事になる。小供は——ことに小さい方が質がわるい——猫が来た猫が来たといって夜中でも何でも大きな声で泣き出すのである。すると例の神経胃弱性の主人は必ず眼をさまして次の部屋から飛び出してくる。現にせんだってなどは物指で尻ぺたをひどく叩かれた。 15 | 吾輩は人間と同居して彼等を観察すればするほど、彼等は我儘なものだと断言せざるを得ないようになった。ことに吾輩が時々｜同衾する小供のごときに至っては言語同断である。自分の勝手な時は人を逆さにしたり、頭へ袋をかぶせたり、抛り出したり、へっついの中へ押し込んだりする。しかも吾輩の方で少しでも手出しをしようものなら家内総がかりで追い廻して迫害を加える。この間もちょっと畳で爪を磨いだら細君が非常に怒ってそれから容易に座敷へ入れない。台所の板の間で他が顫えていても一向平気なものである。吾輩の尊敬する筋向の白君などは逢う度毎に人間ほど不人情なものはないと言っておらるる。白君は先日玉のような子猫を四疋｜産まれたのである。ところがそこの家の書生が三日目にそいつを裏の池へ持って行って四疋ながら棄てて来たそうだ。白君は涙を流してその一部始終を話した上、どうしても我等｜猫族が親子の愛を完くして美しい家族的生活をするには人間と戦ってこれを剿滅せねばならぬといわれた。一々もっともの議論と思う。また隣りの三毛君などは人間が所有権という事を解していないといって大に憤慨している。元来我々同族間では目刺の頭でも鰡の臍でも一番先に見付けたものがこれを食う権利があるものとなっている。もし相手がこの規約を守らなければ腕力に訴えて善いくらいのものだ。しかるに彼等人間は毫もこの観念がないと見えて我等が見付けた御馳走は必ず彼等のために掠奪せらるるのである。彼等はその強力を頼んで正当に吾人が食い得べきものを奪ってすましている。白君は軍人の家におり三毛君は代言の主人を持っている。吾輩は教師の家に住んでいるだけ、こんな事に関すると両君よりもむしろ楽天である。ただその日その日がどうにかこうにか送られればよい。いくら人間だって、そういつまでも栄える事もあるまい。まあ気を永く猫の時節を待つがよかろう。 16 | 我儘で思い出したからちょっと吾輩の家の主人がこの我儘で失敗した話をしよう。元来この主人は何といって人に勝れて出来る事もないが、何にでもよく手を出したがる。俳句をやってほととぎすへ投書をしたり、新体詩を明星へ出したり、間違いだらけの英文をかいたり、時によると弓に凝ったり、謡を習ったり、またあるときはヴァイオリンなどをブーブー鳴らしたりするが、気の毒な事には、どれもこれも物になっておらん。その癖やり出すと胃弱の癖にいやに熱心だ。後架の中で謡をうたって、近所で後架先生と渾名をつけられているにも関せず一向平気なもので、やはりこれは平の宗盛にて候を繰返している。みんながそら宗盛だと吹き出すくらいである。この主人がどういう考になったものか吾輩の住み込んでから一月ばかり後のある月の月給日に、大きな包みを提げてあわただしく帰って来た。何を買って来たのかと思うと水彩絵具と毛筆とワットマンという紙で今日から謡や俳句をやめて絵をかく決心と見えた。果して翌日から当分の間というものは毎日毎日書斎で昼寝もしないで絵ばかりかいている。しかしそのかき上げたものを見ると何をかいたものやら誰にも鑑定がつかない。当人もあまり甘くないと思ったものか、ある日その友人で美学とかをやっている人が来た時に下のような話をしているのを聞いた。 17 | 「どうも甘くかけないものだね。人のを見ると何でもないようだが自ら筆をとって見ると今更のようにむずかしく感ずる」これは主人の述懐である。なるほど詐りのない処だ。彼の友は金縁の眼鏡越に主人の顔を見ながら、「そう初めから上手にはかけないさ、第一室内の想像ばかりで画がかける訳のものではない。昔し以太利の大家アンドレア・デル・サルトが言った事がある。画をかくなら何でも自然その物を写せ。天に星辰あり。地に露華あり。飛ぶに禽あり。走るに獣あり。池に金魚あり。枯木に寒鴉あり。自然はこれ一幅の大活画なりと。どうだ君も画らしい画をかこうと思うならちと写生をしたら」 18 | 「へえアンドレア・デル・サルトがそんな事をいった事があるかい。ちっとも知らなかった。なるほどこりゃもっともだ。実にその通りだ」と主人は無暗に感心している。金縁の裏には嘲けるような笑が見えた。 19 | その翌日吾輩は例のごとく椽側に出て心持善く昼寝をしていたら、主人が例になく書斎から出て来て吾輩の後ろで何かしきりにやっている。ふと眼が覚めて何をしているかと一分ばかり細目に眼をあけて見ると、彼は余念もなくアンドレア・デル・サルトを極め込んでいる。吾輩はこの有様を見て覚えず失笑するのを禁じ得なかった。彼は彼の友に揶揄せられたる結果としてまず手初めに吾輩を写生しつつあるのである。吾輩はすでに十分寝た。欠伸がしたくてたまらない。しかしせっかく主人が熱心に筆を執っているのを動いては気の毒だと思って、じっと辛棒しておった。彼は今吾輩の輪廓をかき上げて顔のあたりを色彩っている。吾輩は自白する。吾輩は猫として決して上乗の出来ではない。背といい毛並といい顔の造作といいあえて他の猫に勝るとは決して思っておらん。しかしいくら不器量の吾輩でも、今吾輩の主人に描き出されつつあるような妙な姿とは、どうしても思われない。第一色が違う。吾輩は波斯産の猫のごとく黄を含める淡灰色に漆のごとき斑入りの皮膚を有している。これだけは誰が見ても疑うべからざる事実と思う。しかるに今主人の彩色を見ると、黄でもなければ黒でもない、灰色でもなければ褐色でもない、さればとてこれらを交ぜた色でもない。ただ一種の色であるというよりほかに評し方のない色である。その上不思議な事は眼がない。もっともこれは寝ているところを写生したのだから無理もないが眼らしい所さえ見えないから盲猫だか寝ている猫だか判然しないのである。吾輩は心中ひそかにいくらアンドレア・デル・サルトでもこれではしようがないと思った。しかしその熱心には感服せざるを得ない。なるべくなら動かずにおってやりたいと思ったが、さっきから小便が催うしている。身内の筋肉はむずむずする。最早一分も猶予が出来ぬ仕儀となったから、やむをえず失敬して両足を前へ存分のして、首を低く押し出してあーあと大なる欠伸をした。さてこうなって見ると、もうおとなしくしていても仕方がない。どうせ主人の予定は打ち壊わしたのだから、ついでに裏へ行って用を足そうと思ってのそのそ這い出した。すると主人は失望と怒りを掻き交ぜたような声をして、座敷の中から「この馬鹿野郎」と怒鳴った。この主人は人を罵るときは必ず馬鹿野郎というのが癖である。ほかに悪口の言いようを知らないのだから仕方がないが、今まで辛棒した人の気も知らないで、無暗に馬鹿野郎｜呼わりは失敬だと思う。それも平生吾輩が彼の背中へ乗る時に少しは好い顔でもするならこの漫罵も甘んじて受けるが、こっちの便利になる事は何一つ快くしてくれた事もないのに、小便に立ったのを馬鹿野郎とは酷い。元来人間というものは自己の力量に慢じてみんな増長している。少し人間より強いものが出て来て窘めてやらなくてはこの先どこまで増長するか分らない。 20 | 我儘もこのくらいなら我慢するが吾輩は人間の不徳についてこれよりも数倍悲しむべき報道を耳にした事がある。 21 | 吾輩の家の裏に十坪ばかりの茶園がある。広くはないが瀟洒とした心持ち好く日の当る所だ。うちの小供があまり騒いで楽々昼寝の出来ない時や、あまり退屈で腹加減のよくない折などは、吾輩はいつでもここへ出て浩然の気を養うのが例である。ある小春の穏かな日の二時頃であったが、吾輩は昼飯後快よく一睡した後、運動かたがたこの茶園へと歩を運ばした。茶の木の根を一本一本嗅ぎながら、西側の杉垣のそばまでくると、枯菊を押し倒してその上に大きな猫が前後不覚に寝ている。彼は吾輩の近づくのも一向心付かざるごとく、また心付くも無頓着なるごとく、大きな鼾をして長々と体を横えて眠っている。他の庭内に忍び入りたるものがかくまで平気に睡られるものかと、吾輩は窃かにその大胆なる度胸に驚かざるを得なかった。彼は純粋の黒猫である。わずかに午を過ぎたる太陽は、透明なる光線を彼の皮膚の上に抛げかけて、きらきらする柔毛の間より眼に見えぬ炎でも燃え出ずるように思われた。彼は猫中の大王とも云うべきほどの偉大なる体格を有している。吾輩の倍はたしかにある。吾輩は嘆賞の念と、好奇の心に前後を忘れて彼の前に佇立して余念もなく眺めていると、静かなる小春の風が、杉垣の上から出たる梧桐の枝を軽く誘ってばらばらと二三枚の葉が枯菊の茂みに落ちた。大王はかっとその真丸の眼を開いた。今でも記憶している。その眼は人間の珍重する琥珀というものよりも遥かに美しく輝いていた。彼は身動きもしない。双眸の奥から射るごとき光を吾輩の矮小なる額の上にあつめて、御めえは一体何だと云った。大王にしては少々言葉が卑しいと思ったが何しろその声の底に犬をも挫しぐべき力が籠っているので吾輩は少なからず恐れを抱いた。しかし挨拶をしないと険呑だと思ったから「吾輩は猫である。名前はまだない」となるべく平気を装って冷然と答えた。しかしこの時吾輩の心臓はたしかに平時よりも烈しく鼓動しておった。彼は大に軽蔑せる調子で「何、猫だ？猫が聞いてあきれらあ。全てえどこに住んでるんだ」随分｜傍若無人である。「吾輩はここの教師の家にいるのだ」「どうせそんな事だろうと思った。いやに瘠せてるじゃねえか」と大王だけに気焔を吹きかける。言葉付から察するとどうも良家の猫とも思われない。しかしその膏切って肥満しているところを見ると御馳走を食ってるらしい、豊かに暮しているらしい。吾輩は「そう云う君は一体誰だい」と聞かざるを得なかった。「己れあ車屋の黒よ」昂然たるものだ。車屋の黒はこの近辺で知らぬ者なき乱暴猫である。しかし車屋だけに強いばかりでちっとも教育がないからあまり誰も交際しない。同盟敬遠主義の的になっている奴だ。吾輩は彼の名を聞いて少々尻こそばゆき感じを起すと同時に、一方では少々｜軽侮の念も生じたのである。吾輩はまず彼がどのくらい無学であるかを試してみようと思って左の問答をして見た。 22 | 「一体車屋と教師とはどっちがえらいだろう」 23 | 「車屋の方が強いに極っていらあな。御めえのうちの主人を見ねえ、まるで骨と皮ばかりだぜ」 24 | 「君も車屋の猫だけに大分強そうだ。車屋にいると御馳走が食えると見えるね」 25 | 「何におれなんざ、どこの国へ行ったって食い物に不自由はしねえつもりだ。御めえなんかも茶畠ばかりぐるぐる廻っていねえで、ちっと己の後へくっ付いて来て見ねえ。一と月とたたねえうちに見違えるように太れるぜ」 26 | 「追ってそう願う事にしよう。しかし家は教師の方が車屋より大きいのに住んでいるように思われる」 27 | 「箆棒め、うちなんかいくら大きくたって腹の足しになるもんか」 28 | 彼は大に肝癪に障った様子で、寒竹をそいだような耳をしきりとぴく付かせてあららかに立ち去った。吾輩が車屋の黒と知己になったのはこれからである。 29 | その後吾輩は度々黒と邂逅する。邂逅する毎に彼は車屋相当の気焔を吐く。先に吾輩が耳にしたという不徳事件も実は黒から聞いたのである。 30 | 或る日例のごとく吾輩と黒は暖かい茶畠の中で寝転びながらいろいろ雑談をしていると、彼はいつもの自慢話しをさも新しそうに繰り返したあとで、吾輩に向って下のごとく質問した。「御めえは今までに鼠を何匹とった事がある」智識は黒よりも余程発達しているつもりだが腕力と勇気とに至っては到底黒の比較にはならないと覚悟はしていたものの、この問に接したる時は、さすがに極りが善くはなかった。けれども事実は事実で詐る訳には行かないから、吾輩は「実はとろうとろうと思ってまだ捕らない」と答えた。黒は彼の鼻の先からぴんと突張っている長い髭をびりびりと震わせて非常に笑った。元来黒は自慢をする丈にどこか足りないところがあって、彼の気焔を感心したように咽喉をころころ鳴らして謹聴していればはなはだ御しやすい猫である。吾輩は彼と近付になってから直にこの呼吸を飲み込んだからこの場合にもなまじい己れを弁護してますます形勢をわるくするのも愚である、いっその事彼に自分の手柄話をしゃべらして御茶を濁すに若くはないと思案を定めた。そこでおとなしく「君などは年が年であるから大分とったろう」とそそのかして見た。果然彼は墻壁の欠所に吶喊して来た。「たんとでもねえが三四十はとったろう」とは得意気なる彼の答であった。彼はなお語をつづけて「鼠の百や二百は一人でいつでも引き受けるがいたちってえ奴は手に合わねえ。一度いたちに向って酷い目に逢った」「へえなるほど」と相槌を打つ。黒は大きな眼をぱちつかせて云う。「去年の大掃除の時だ。うちの亭主が石灰の袋を持って椽の下へ這い込んだら御めえ大きないたちの野郎が面喰って飛び出したと思いねえ」「ふん」と感心して見せる。「いたちってけども何鼠の少し大きいぐれえのものだ。こん畜生って気で追っかけてとうとう泥溝の中へ追い込んだと思いねえ」「うまくやったね」と喝采してやる。「ところが御めえいざってえ段になると奴め最後っ屁をこきゃがった。臭えの臭くねえのってそれからってえものはいたちを見ると胸が悪くならあ」彼はここに至ってあたかも去年の臭気を今なお感ずるごとく前足を揚げて鼻の頭を二三遍なで廻わした。吾輩も少々気の毒な感じがする。ちっと景気を付けてやろうと思って「しかし鼠なら君に睨まれては百年目だろう。君はあまり鼠を捕るのが名人で鼠ばかり食うものだからそんなに肥って色つやが善いのだろう」黒の御機嫌をとるためのこの質問は不思議にも反対の結果を呈出した。彼は喟然として大息していう。「考げえるとつまらねえ。いくら稼いで鼠をとったって——一てえ人間ほどふてえ奴は世の中にいねえぜ。人のとった鼠をみんな取り上げやがって交番へ持って行きゃあがる。交番じゃ誰が捕ったか分らねえからそのたんびに五銭ずつくれるじゃねえか。うちの亭主なんか己の御蔭でもう壱円五十銭くらい儲けていやがる癖に、碌なものを食わせた事もありゃしねえ。おい人間てものあ体の善い泥棒だぜ」さすが無学の黒もこのくらいの理窟はわかると見えてすこぶる怒った容子で背中の毛を逆立てている。吾輩は少々気味が悪くなったから善い加減にその場を胡魔化して家へ帰った。この時から吾輩は決して鼠をとるまいと決心した。しかし黒の子分になって鼠以外の御馳走を猟ってあるく事もしなかった。御馳走を食うよりも寝ていた方が気楽でいい。教師の家にいると猫も教師のような性質になると見える。要心しないと今に胃弱になるかも知れない。 31 | 教師といえば吾輩の主人も近頃に至っては到底水彩画において望のない事を悟ったものと見えて十二月一日の日記にこんな事をかきつけた。 32 | """ 33 | sentences = sentences.split("\n") 34 | -------------------------------------------------------------------------------- /python/MeCab/ngram/multi_vectorizer.py: -------------------------------------------------------------------------------- 1 | #! /usr/bin/env python 2 | # -*- coding:utf-8 -*- 3 | 4 | # http://tech.camph.net/python3-concurrent-futures/ 5 | 6 | import concurrent.futures 7 | import sys 8 | import subprocess 9 | import time 10 | from collections import defaultdict 11 | from data import sentences 12 | 13 | def sent2kgram(sentence, k=2, delimiter=" "): 14 | sentence = str(subprocess.getoutput("echo %s | mecab -O wakati" % (sentence))) 15 | words = sentence.strip().split() 16 | length, kgrams = len(words), [] 17 | for i in range(length - k): 18 | kgram = delimiter.join(words[i:i + k]) 19 | kgrams.append(kgram) 20 | return kgrams 21 | 22 | def timef(f): 23 | def wrapper(): 24 | start = time.time() 25 | f() 26 | end = time.time() 27 | print(("%s: %.2fms" % (f.__name__, (end - start) * 1000))) 28 | return wrapper 29 | 30 | @timef 31 | def single_process(): 32 | kgram2id = defaultdict(lambda: len(kgram2id)) 33 | for sentence in sentences: 34 | kgram = sent2kgram(sentence) 35 | kgram = [kgram2id[x] for x in kgram] 36 | return kgram2id 37 | 38 | @timef 39 | def multi_process(): 40 | kgram2id = defaultdict(lambda: len(kgram2id)) 41 | with concurrent.futures.ProcessPoolExecutor(max_workers=4) as executor: 42 | for res_kgram in executor.map(sent2kgram, sentences): 43 | res_kgram = [kgram2id[x] for x in res_kgram] 44 | return kgram2id 45 | 46 | def main(): 47 | single_process() 48 | multi_process() 49 | 50 | if __name__ == "__main__": 51 | main() 52 | -------------------------------------------------------------------------------- /python/MeCab/wakati.py: -------------------------------------------------------------------------------- 1 | #!/usr/bin/env python 2 | # -*- encoding: utf-8 -*- 3 | 4 | import MeCab 5 | 6 | wakati = MeCab.Tagger("-O wakati") 7 | print(wakati.parse('最近の夜は寒い')) 8 | -------------------------------------------------------------------------------- /python/R/scatter.R: -------------------------------------------------------------------------------- 1 | png("image.png", width = 480, height = 480, pointsize = 12, bg = "white", res = NA) 2 | 3 | plot(data$WRAIN, data$LPRICE2, pch=16, 4 | xlab="収穫前年の10月〜3月の雨量", 5 | ylab="ワインの価格") 6 | 7 | dev.off() 8 | -------------------------------------------------------------------------------- /python/R/scatter.py: -------------------------------------------------------------------------------- 1 | import pyper 2 | import pandas as pd 3 | 4 | wine = pd.read_csv("wine.csv") 5 | 6 | # R のインスタンスを作る 7 | r = pyper.R(use_pandas='True') 8 | 9 | # Python 側のデータを R に渡す 10 | r.assign("data", wine) 11 | 12 | # R のソースコードを実行する 13 | r("source(file='scatter.R')") 14 | 15 | # R のコードを実行する 16 | r("res1 = cor.test(data$WRAIN, data$LPRICE2)") 17 | r("data1 = subset(data, LPRICE2 < 0)") 18 | r("res2 = cor.test(data1$WRAIN, data1$LPRICE2)") 19 | 20 | # Python で R のオブジェクトを読む 21 | res1 = pd.Series(r.get("res1")) 22 | print(res1) 23 | res2 = pd.Series(r.get("res2")) 24 | print(res2) 25 | -------------------------------------------------------------------------------- /python/R/wine.csv: -------------------------------------------------------------------------------- 1 | "","OBS","VINT","LPRICE2","WRAIN","DEGREES","HRAIN","TIME_SV" 2 | "1",1,1952,-0.99868,600,17.1167,160,31 3 | "2",2,1953,-0.4544,690,16.7333,80,30 4 | "3",3,1954,NA,430,15.3833,180,29 5 | "4",4,1955,-0.80796,502,17.15,130,28 6 | "5",5,1956,NA,440,15.65,140,27 7 | "6",6,1957,-1.50926,420,16.1333,110,26 8 | "7",7,1958,-1.71655,582,16.4167,187,25 9 | "8",8,1959,-0.418,485,17.4833,187,24 10 | "9",9,1960,-1.97491,763,16.4167,290,23 11 | "10",10,1961,0,830,17.3333,38,22 12 | "11",11,1962,-1.10572,697,16.3,52,21 13 | "12",12,1963,-1.78098,608,15.7167,155,20 14 | "13",13,1964,-1.18435,402,17.2667,96,19 15 | "14",14,1965,-2.24194,602,15.3667,267,18 16 | "15",15,1966,-0.74943,819,16.5333,86,17 17 | "16",16,1967,-1.65388,714,16.2333,118,16 18 | "17",17,1968,-2.25018,610,16.2,292,15 19 | "18",18,1969,-2.14784,575,16.55,244,14 20 | "19",19,1970,-0.90544,622,16.6667,89,13 21 | "20",20,1971,-1.30031,551,16.7667,112,12 22 | "21",21,1972,-2.28879,536,14.9833,158,11 23 | "22",22,1973,-1.857,376,17.0667,123,10 24 | "23",23,1974,-2.19958,574,16.3,184,9 25 | "24",24,1975,-1.20168,572,16.95,171,8 26 | "25",25,1976,-1.37264,418,17.65,247,7 27 | "26",26,1977,-2.23503,821,15.5833,87,6 28 | "27",27,1978,-1.30769,763,15.8167,51,5 29 | "28",28,1979,-1.5396,717,16.1667,122,4 30 | "29",29,1980,-1.99582,578,16,74,3 31 | "30",30,1981,NA,535,16.9667,111,2 32 | "31",31,1982,NA,712,17.4,162,1 33 | "32",32,1983,NA,845,17.3833,119,0 34 | "33",33,1984,NA,591,16.5,119,-1 35 | "34",34,1985,NA,744,16.8,38,-2 36 | "35",35,1986,NA,563,16.2833,171,-3 37 | "36",36,1987,NA,452,16.9833,115,-4 38 | "37",37,1988,NA,808,17.1,59,-5 39 | "38",38,1989,NA,443,NA,82,-6 40 | -------------------------------------------------------------------------------- /python/flask/release_scripts/release_batch: -------------------------------------------------------------------------------- 1 | #!/bin/sh 2 | 3 | test -n "$1" || exit 1 4 | test -n "$1" && TARGET_BRANCH=$1 5 | 6 | MAX_ERROR_CODE=0 7 | TARGET_PATH=$HOME/local/git/directbatch 8 | DEPLOY_PATH=/home/s$TARGET_BRANCH/app 9 | 10 | test -d $TARGET_PATH || exit 2 11 | test -d $DEPLOY_PATH || exit 2 12 | 13 | cd $TARGET_PATH 14 | git checkout $TARGET_BRANCH 15 | git pull 16 | RETURN_CODE=$? 17 | test $RETURN_CODE -gt $MAX_ERROR_CODE && MAX_ERROR_CODE=$RETURN_CODE 18 | script/deploy s$TARGET_BRANCH 19 | RETURN_CODE=$? 20 | test $RETURN_CODE -gt $MAX_ERROR_CODE && MAX_ERROR_CODE=$RETURN_CODE 21 | git checkout master 22 | git pull 23 | RETURN_CODE=$? 24 | test $RETURN_CODE -gt $MAX_ERROR_CODE && MAX_ERROR_CODE=$RETURN_CODE 25 | 26 | echo "Return code is $MAX_ERROR_CODE." 27 | -------------------------------------------------------------------------------- /python/flask/release_scripts/release_web: -------------------------------------------------------------------------------- 1 | #!/bin/sh 2 | 3 | test -n "$1" || exit 1 4 | test -n "$1" && TARGET_BRANCH=$1 5 | 6 | MAX_ERROR_CODE=0 7 | TARGET_PATH=/var/www/flask/$TARGET_BRANCH 8 | 9 | test -d $TARGET_PATH || exit 2 10 | 11 | sudo chown -R sysadmin:sysadmin $TARGET_PATH 12 | RETURN_CODE=$? 13 | test $RETURN_CODE -gt $MAX_ERROR_CODE && MAX_ERROR_CODE=$RETURN_CODE 14 | 15 | cd $TARGET_PATH 16 | git checkout $TARGET_BRANCH 17 | git pull 18 | RETURN_CODE=$? 19 | test $RETURN_CODE -gt $MAX_ERROR_CODE && MAX_ERROR_CODE=$RETURN_CODE 20 | 21 | sudo systemctl restart httpd.service 22 | RETURN_CODE=$? 23 | test $RETURN_CODE -gt $MAX_ERROR_CODE && MAX_ERROR_CODE=$RETURN_CODE 24 | 25 | echo "Return code is $MAX_ERROR_CODE." 26 | -------------------------------------------------------------------------------- /python/gaussian.py: -------------------------------------------------------------------------------- 1 | from scipy.stats import norm 2 | import numpy as np 3 | import matplotlib.pyplot as plt 4 | # from pylab import plot,show,hist,figure,title 5 | import pylab as plb 6 | 7 | # picking 500 of from a normal distrubution 8 | # with mean 0 and standard deviation 1 9 | # x = np.sort(np.random.uniform(-np.pi, np.pi,100)) 10 | # y = np.sin(x) + 0.1*np.random.normal(size=len(x)) 11 | # samp = y 12 | sample = norm.rvs(loc=100,scale=1,size=500) 13 | #samp = np.sort(np.random.randint(65, 90, size=8)) 14 | 15 | param = norm.fit(sample) # distribution fitting 16 | 17 | print (sample) 18 | print (param) 19 | 20 | # now, param[0] and param[1] are the mean and 21 | # the standard deviation of the fitted distribution 22 | x = np.linspace(95,105,100) 23 | # fitted distribution 24 | pdf_fitted = norm.pdf(x,loc=param[0],scale=param[1]) 25 | # original distribution 26 | pdf = norm.pdf(x) 27 | 28 | plt.figure 29 | plt.title('Normal distribution') 30 | 31 | plt.plot(x, pdf_fitted, 'r-', x,pdf, 'b-') 32 | plt.hist(sample, normed=1, alpha=.3) 33 | 34 | plt.show() 35 | plt.savefig("image.png") 36 | 37 | -------------------------------------------------------------------------------- /python/machine-learning/recommendation/collaborative_filter.py: -------------------------------------------------------------------------------- 1 | from recommendation_data import dataset 2 | from math import sqrt 3 | 4 | print(("山田さんのカレーの評価 : {}".format( 5 | dataset['山田']['カレー']))) 6 | print(("山田さんのうどんの評価 : {}\n".format( 7 | dataset['山田']['うどん']))) 8 | print(("佐藤さんのカレーの評価: {}".format( 9 | dataset['佐藤']['カレー']))) 10 | print(("佐藤さんのうどんの評価: {}\n".format( 11 | dataset['佐藤']['うどん']))) 12 | 13 | print("鈴木さんのレーティング: {}\n".format((dataset['鈴木']))) 14 | 15 | # 協調フィルタリングの実装 16 | 17 | def similarity_score(person1, person2): 18 | 19 | # 戻り値は person1 と person2 のユークリッド距離 20 | 21 | both_viewed = {} # 双方に共通のアイテムを取得 22 | 23 | for item in dataset[person1]: 24 | if item in dataset[person2]: 25 | both_viewed[item] = 1 26 | 27 | # 共通のアイテムを持っていなければ 0 を返す 28 | if len(both_viewed) == 0: 29 | return 0 30 | 31 | # ユークリッド距離の計算 32 | sum_of_eclidean_distance = [] 33 | 34 | for item in dataset[person1]: 35 | if item in dataset[person2]: 36 | sum_of_eclidean_distance.append( 37 | pow(dataset[person1][item] - dataset[person2][item], 2)) 38 | total_of_eclidean_distance = sum(sum_of_eclidean_distance) 39 | 40 | return 1 / (1 + sqrt(total_of_eclidean_distance)) 41 | 42 | print("山田さんと鈴木さんの類似度 (ユークリッド距離)", 43 | similarity_score('山田', '鈴木')) 44 | 45 | 46 | def pearson_correlation(person1, person2): 47 | 48 | # 両方のアイテムを取得 49 | both_rated = {} 50 | for item in dataset[person1]: 51 | if item in dataset[person2]: 52 | both_rated[item] = 1 53 | 54 | number_of_ratings = len(both_rated) 55 | 56 | # 共通のアイテムがあるかチェック、無ければ 0 を返す 57 | if number_of_ratings == 0: 58 | return 0 59 | 60 | # 各ユーザーのすべての付リファレンスを追加 61 | person1_preferences_sum = sum( 62 | [dataset[person1][item] for item in both_rated]) 63 | person2_preferences_sum = sum( 64 | [dataset[person2][item] for item in both_rated]) 65 | 66 | # 各ユーザーの嗜好の二乗を計算 67 | person1_square_preferences_sum = sum( 68 | [pow(dataset[person1][item], 2) for item in both_rated]) 69 | person2_square_preferences_sum = sum( 70 | [pow(dataset[person2][item], 2) for item in both_rated]) 71 | 72 | # 商品の価値を算出して合計 73 | product_sum_of_both_users = sum( 74 | [dataset[person1][item] * dataset[person2][item] for item in both_rated]) 75 | 76 | # ピアソンスコアの計算 77 | numerator_value = product_sum_of_both_users - \ 78 | (person1_preferences_sum * person2_preferences_sum / number_of_ratings) 79 | denominator_value = sqrt((person1_square_preferences_sum - pow(person1_preferences_sum, 2) / number_of_ratings) * ( 80 | person2_square_preferences_sum - pow(person2_preferences_sum, 2) / number_of_ratings)) 81 | if denominator_value == 0: 82 | return 0 83 | else: 84 | r = numerator_value / denominator_value 85 | return r 86 | 87 | print("山田さんと田中さんの類似度 (ピアソン相関係数)", 88 | (pearson_correlation('山田', '田中'))) 89 | 90 | 91 | def most_similar_users(person, number_of_users): 92 | # 似たユーザーとその類似度を返す 93 | scores = [(pearson_correlation(person, other_person), other_person) 94 | for other_person in dataset if other_person != person] 95 | 96 | # 最高の類似度の人物が最初になるようにソートする 97 | scores.sort() 98 | scores.reverse() 99 | return scores[0:number_of_users] 100 | 101 | print("山田さんに似た人ベスト 3", 102 | most_similar_users('山田', 3)) 103 | 104 | 105 | def user_reommendations(person): 106 | 107 | # 他のユーザーの加重平均によるランキングから推薦を求める 108 | totals = {} 109 | simSums = {} 110 | # rankings_list = [] 111 | for other in dataset: 112 | # 自分自身は比較しない 113 | if other == person: 114 | continue 115 | sim = pearson_correlation(person, other) 116 | # print ">>>>>>>",sim 117 | 118 | # ゼロ以下のスコアは無視する 119 | if sim <= 0: 120 | continue 121 | for item in dataset[other]: 122 | 123 | # まだ所持していないアイテムのスコア 124 | if item not in dataset[person] or dataset[person][item] == 0: 125 | 126 | # Similrity * スコア 127 | totals.setdefault(item, 0) 128 | totals[item] += dataset[other][item] * sim 129 | # 類似度の和 130 | simSums.setdefault(item, 0) 131 | simSums[item] += sim 132 | 133 | # 正規化されたリストを作成 134 | 135 | rankings = [(total / simSums[item], item) 136 | for item, total in list(totals.items())] 137 | rankings.sort() 138 | rankings.reverse() 139 | # 推薦アイテムを返す 140 | recommendataions_list = [ 141 | recommend_item for score, recommend_item in rankings] 142 | return recommendataions_list 143 | 144 | print("下林さんにおすすめのメニュー", 145 | user_reommendations('下林')) 146 | -------------------------------------------------------------------------------- /python/machine-learning/recommendation/recommendation_data.py: -------------------------------------------------------------------------------- 1 | 2 | dataset = { 3 | '山田': {'カレー': 2.5, 4 | 'ラーメン': 3.5, 5 | 'チャーハン': 3.0, 6 | '寿司': 3.5, 7 | '牛丼': 2.5, 8 | 'うどん': 3.0}, 9 | '田中': {'カレー': 3.0, 10 | 'ラーメン': 3.5, 11 | 'チャーハン': 1.5, 12 | '寿司': 5.0, 13 | 'うどん': 3.0, 14 | '牛丼': 3.5}, 15 | '佐藤': {'カレー': 2.5, 16 | 'ラーメン': 3.0, 17 | '寿司': 3.5, 18 | 'うどん': 4.0}, 19 | '中村': {'ラーメン': 3.5, 20 | 'チャーハン': 3.0, 21 | 'うどん': 4.5, 22 | '寿司': 4.0, 23 | '牛丼': 2.5}, 24 | '川村': {'カレー': 3.0, 25 | 'ラーメン': 4.0, 26 | 'チャーハン': 2.0, 27 | '寿司': 3.0, 28 | 'うどん': 3.0, 29 | '牛丼': 2.0}, 30 | '鈴木': {'カレー': 3.0, 31 | 'ラーメン': 4.0, 32 | 'うどん': 3.0, 33 | '寿司': 5.0, 34 | '牛丼': 3.5}, 35 | '下林': {'ラーメン': 4.5, 36 | '牛丼': 1.0, 37 | '寿司': 4.0}} 38 | -------------------------------------------------------------------------------- /python/matplotlib/linear-regression.py: -------------------------------------------------------------------------------- 1 | # -*- coding:utf-8 -*- 2 | 3 | import numpy as np 4 | import matplotlib.pyplot as plt 5 | 6 | v1 = np.array([24, 27, 29, 34, 42, 43, 51]) 7 | v2 = np.array([236, 330, 375, 392, 460, 525, 578]) 8 | 9 | def phi(x): 10 | return [1, x, x**2, x**3] 11 | 12 | def f(w, x): 13 | return np.dot(w, phi(x)) 14 | 15 | PHI = np.array([phi(x) for x in v2]) 16 | w = np.linalg.solve(np.dot(PHI.T, PHI), np.dot(PHI.T, v1)) 17 | 18 | plt.xlim(20, 55) 19 | plt.ylim(200, 600) 20 | plt.xlabel('Age') 21 | plt.ylabel('Price') 22 | plt.plot(v1, v2, 'o', color="blue") 23 | plt.show() 24 | plt.savefig("image.png") 25 | 26 | ylist = np.arange(200, 600, 10) 27 | xlist = [f(w, x) for x in ylist] 28 | 29 | plt.plot(xlist, ylist, color="red") 30 | plt.xlim(20, 55) 31 | plt.ylim(200, 600) 32 | plt.xlabel('Age') 33 | plt.ylabel('Price') 34 | plt.plot(v1, v2, 'o', color="blue") 35 | plt.show() 36 | plt.savefig("image2.png") 37 | 38 | -------------------------------------------------------------------------------- /python/misc/scripts/chmodtree.py: -------------------------------------------------------------------------------- 1 | #!/usr/bin/env python 2 | 3 | import sys 4 | import os 5 | 6 | def chmodtree(options, arg): 7 | if options.sudo: 8 | sudo = 'sudo ' 9 | else: 10 | sudo = '' 11 | 12 | if options.quiet: 13 | quiet = '' 14 | else: 15 | if sys.platform == 'linux2': 16 | quiet = '-c ' 17 | else: 18 | quiet = '-v ' 19 | 20 | if options.name: 21 | name = ' -name "%s"' % options.name 22 | else: 23 | name = '' 24 | 25 | if options.files: 26 | syscmd = '%sfind %s%s -type f -exec chmod %s%s {} \;' %\ 27 | (sudo, arg, name, quiet, options.files) 28 | os.system(syscmd) 29 | 30 | if options.dirs: 31 | syscmd = '%sfind %s%s -type d -exec chmod %s%s {} \;' %\ 32 | (sudo, arg, name, quiet, options.dirs) 33 | os.system(syscmd) 34 | 35 | def main(): 36 | from optparse import OptionParser 37 | usage = "usage: %prog [options] dir" 38 | parser = OptionParser(usage) 39 | parser.add_option("-s", "--sudo", 40 | help="exec with sudo", 41 | action="store_true", dest="sudo") 42 | parser.add_option("-q", "--quiet", 43 | help="shut off non-error messages", 44 | action="store_true", dest="quiet") 45 | parser.add_option("-f", "--files", dest="files", 46 | help="chmod files") 47 | parser.add_option("-d", "--dirs", dest="dirs", 48 | help="chmod directory") 49 | parser.add_option("-n", "--name", dest="name", 50 | help="name pattern of find (ex. -n '*.sh')") 51 | (options, args) = parser.parse_args() 52 | if len(args) == 1: 53 | chmodtree(options, args[0]) 54 | else: 55 | parser.print_help() 56 | 57 | if __name__ == "__main__": 58 | main() 59 | -------------------------------------------------------------------------------- /python/numpy/asymptotic-theory.py: -------------------------------------------------------------------------------- 1 | #!/usr/bin/env python 2 | 3 | import matplotlib.pyplot as plt 4 | import numpy as np 5 | import itertools as it 6 | 7 | def coin_toss(lim): 8 | _randomized = np.random.randint(2, size=lim) 9 | _succeed = [i for i in _randomized if i == 1] 10 | return len(_succeed) 11 | 12 | X = [] 13 | Y = [] 14 | lim = 100 15 | 16 | for i in range(lim): 17 | X.append(i) 18 | Y.append(coin_toss(lim = 40000)) 19 | 20 | print (X) 21 | print (Y) 22 | _over_lim = [i for i in Y if i >= 20400] 23 | print( len(_over_lim) ) 24 | _under_lim = [i for i in Y if i <= 19600] 25 | print( len(_under_lim) ) 26 | 27 | plt.xlim(0, lim) 28 | plt.ylim(19200, 20800) 29 | plt.xlabel('X') 30 | plt.ylabel('Y') 31 | plt.plot(X, Y, 'o', color="blue") 32 | plt.show() 33 | plt.savefig("image.png") 34 | -------------------------------------------------------------------------------- /python/numpy/temperature.csv: -------------------------------------------------------------------------------- 1 | 年,東京の平均気温 2 | 1970,15.2 3 | 1971,15.0 4 | 1972,15.7 5 | 1973,15.7 6 | 1974,15.2 7 | 1975,15.6 8 | 1976,15.0 9 | 1977,15.8 10 | 1978,16.1 11 | 1979,16.9 12 | 1980,15.4 13 | 1981,15.0 14 | 1982,16.0 15 | 1983,15.7 16 | 1984,14.9 17 | 1985,15.7 18 | 1986,15.2 19 | 1987,16.3 20 | 1988,15.4 21 | 1989,16.4 22 | 1990,17.0 23 | 1991,16.4 24 | 1992,16.0 25 | 1993,15.5 26 | 1994,16.9 27 | 1995,16.3 28 | 1996,15.8 29 | 1997,16.7 30 | 1998,16.7 31 | 1999,17.0 32 | 2000,16.9 33 | 2001,16.5 34 | 2002,16.7 35 | 2003,16.0 36 | 2004,17.3 37 | 2005,16.2 38 | 2006,16.4 39 | 2007,17.0 40 | 2008,16.4 41 | 2009,16.7 42 | 2010,16.9 43 | 2011,16.5 44 | 2012,16.3 45 | 2013,17.1 46 | -------------------------------------------------------------------------------- /python/pandas/animal.csv: -------------------------------------------------------------------------------- 1 | ,Species,Body weight (kg),Brain weight (g) 2 | 0,Mountain Beaver,1.35,8.1 3 | 1,Cow,465.0,423.0 4 | 2,Grey Wolf,36.33,119.5 5 | 3,Goat,27.66,115.0 6 | 4,Guinea Pig,1.04,5.5 7 | 5,Diplodocus,11700.0,50.0 8 | 6,Asian Elephant,2547.0,4603.0 9 | 7,Donkey,187.1,419.0 10 | 8,Horse,521.0,655.0 11 | 9,Potar Monkey,10.0,115.0 12 | 10,Cat,3.3,25.6 13 | 11,Giraffe,529.0,680.0 14 | 12,Gorilla,207.0,406.0 15 | 13,Human,62.0,1320.0 16 | 14,African Elephant,6654.0,5712.0 17 | 15,Triceratops,9400.0,70.0 18 | 16,Rhesus Monkey,6.8,179.0 19 | 17,Kangaroo,35.0,56.0 20 | 18,Hamster,0.12,1.0 21 | 19,Mouse,0.023,0.4 22 | 20,Rabbit,2.5,12.1 23 | 21,Sheep,55.5,175.0 24 | 22,Jaguar,100.0,157.0 25 | 23,Chimpanzee,52.16,440.0 26 | 24,Brachiosaurus,87000.0,154.5 27 | 25,Rat,0.28,1.9 28 | 26,Mole,0.122,3.0 29 | 27,Pig,192.0,180.0 30 | -------------------------------------------------------------------------------- /python/pandas/data.csv: -------------------------------------------------------------------------------- 1 | 95,-10,110 2 | 5,-40,108 3 | 60,5,100 4 | 100,-5,101 5 | 33,0,93 6 | 5,-10,91 7 | 0,0,88 8 | -------------------------------------------------------------------------------- /python/pandas/jpstock.py: -------------------------------------------------------------------------------- 1 | # coding: utf-8 2 | 3 | import sys 4 | import datetime 5 | import pandas as pd 6 | import pandas.io.data as web 7 | 8 | class JpStock: 9 | def base_url(self): 10 | return ('http://info.finance.yahoo.co.jp/history/' 11 | '?code={0}.T&{1}&{2}&tm={3}&p={4}') 12 | 13 | def get(self, code, start=None, end=None, interval='d'): 14 | base = self.base_url() 15 | start, end = web._sanitize_dates(start, end) 16 | start = 'sy={0}&sm={1}&sd={2}'.format(start.year, start.month, start.day) 17 | end = 'ey={0}&em={1}&ed={2}'.format(end.year, end.month, end.day) 18 | p = 1 19 | results = [] 20 | 21 | if interval not in ['d', 'w', 'm', 'v']: 22 | raise ValueError( 23 | "Invalid interval: valid values are 'd', 'w', 'm' and 'v'") 24 | 25 | while True: 26 | url = base.format(code, start, end, interval, p) 27 | tables = pd.read_html(url, header=0) 28 | if len(tables) < 2 or len(tables[1]) == 0: 29 | break 30 | results.append(tables[1]) 31 | p += 1 32 | result = pd.concat(results, ignore_index=True) 33 | 34 | result.columns = [ 35 | 'Date', 'Open', 'High', 'Low', 'Close', 'Volume', 'Adj Close'] 36 | result['Date'] = pd.to_datetime(result['Date'], format='%Y年%m月%d日') 37 | result = result.set_index('Date') 38 | result = result.sort_index() 39 | return result.asfreq('B') 40 | 41 | 42 | if __name__ == '__main__': 43 | argsmin = 2 44 | version = (3, 0) 45 | if sys.version_info > (version): 46 | if len(sys.argv) > argsmin: 47 | try: 48 | stock = sys.argv[1] 49 | start = sys.argv[2] 50 | 51 | jpstock = JpStock() 52 | stock_tse = jpstock.get(int(stock), start=start) 53 | stock_tse.to_csv("".join(["stock_", stock, ".csv"])) 54 | except ValueError: 55 | print("Value Error occured in", stock) 56 | else: 57 | print("This program needs at least %(argsmin)s arguments" % 58 | locals()) 59 | else: 60 | print("This program requires python > %(version)s" % locals()) 61 | -------------------------------------------------------------------------------- /python/pandas/log2panel.py: -------------------------------------------------------------------------------- 1 | #!/usr/bin/env python 2 | # -*- coding: utf-8 -*- 3 | 4 | import sys 5 | import os 6 | import pandas as pd 7 | 8 | def list_files(path): 9 | dic = {} 10 | for root, dirs, files in os.walk(path): 11 | for filename in files: 12 | fullname = os.path.join(root, filename) 13 | if filename.startswith("hotnews") \ 14 | and filename.endswith(".txt"): 15 | try: 16 | print("Reading: %(filename)s" % locals()) 17 | df = pd.read_table( 18 | os.path.join(path, filename), header=None) 19 | dic[filename] = df 20 | except pd.parser.CParserError: 21 | print("Skip: %(filename)s" % locals()) 22 | return pd.Panel(dic) 23 | 24 | def main(args): 25 | path = args[1] 26 | pf = list_files(path) 27 | print(pf.to_frame()) 28 | return pf 29 | 30 | if __name__ == '__main__': 31 | if len(sys.argv) > 1: 32 | pf = main(sys.argv) 33 | -------------------------------------------------------------------------------- /python/pandas/panel.py: -------------------------------------------------------------------------------- 1 | 2 | import numpy as np 3 | import pandas as pd 4 | rng = pd.date_range('1/1/2014', periods=100, freq='D') 5 | 6 | df1 = pd.DataFrame( 7 | np.random.randn(100, 4), index=rng, columns=['A', 'B', 'C', 'D']) 8 | df2 = pd.DataFrame( 9 | np.random.randn(100, 4), index=rng, columns=['A', 'B', 'C', 'D']) 10 | df3 = pd.DataFrame( 11 | np.random.randn(100, 4), index=rng, columns=['A', 'B', 'C', 'D']) 12 | 13 | pf = pd.Panel({'df1': df1, 'df2': df2, 'df3': df3}) 14 | 15 | print(pf.shape) 16 | 17 | pf['df1']['E'] = pd.DataFrame(np.random.randn(100, 1), index=rng) 18 | pf['df2']['E'] = pd.DataFrame(np.random.randn(100, 1), index=rng) 19 | 20 | print(pf) 21 | print(pf.ix['df1', -10:, 'E']) 22 | -------------------------------------------------------------------------------- /python/pandas/stats.py: -------------------------------------------------------------------------------- 1 | 2 | import scipy.stats as stats 3 | import pandas as pd 4 | import matplotlib.pyplot as plt 5 | 6 | data = pd.read_csv("data.csv", names=['X', 'Y', 'Z']) 7 | print(data.describe()) 8 | 9 | from pandas.tools.plotting import scatter_matrix 10 | plt.figure() 11 | scatter_matrix(data) 12 | plt.savefig("image.png") 13 | 14 | print(data.corr()) 15 | 16 | x = data.ix[:, 0].values 17 | y = data.ix[:, 1].values 18 | z = data.ix[:, 2].values 19 | 20 | linreg = lambda a, b: stats.linregress(a, b) 21 | 22 | slope, intercept, r_value, p_value, std_err = linreg(x, z) 23 | print(slope, intercept, r_value, p_value, std_err) 24 | 25 | print(linreg(y, z)) 26 | -------------------------------------------------------------------------------- /python/pandas/stock_regress.py: -------------------------------------------------------------------------------- 1 | import pandas as pd 2 | import statsmodels.api as sm 3 | from matplotlib import pyplot as plt 4 | from matplotlib import font_manager 5 | 6 | prop = font_manager.FontProperties( 7 | fname="/usr/share/fonts/truetype/fonts-japanese-gothic.ttf") 8 | 9 | stock_9682 = pd.read_csv('stock_9682.csv', 10 | parse_dates=True, index_col=0) 11 | stock_9613 = pd.read_csv('stock_9613.csv', 12 | parse_dates=True, index_col=0) 13 | stock_3626 = pd.read_csv('stock_3626.csv', 14 | parse_dates=True, index_col=0) 15 | stock_9759 = pd.read_csv('stock_9759.csv', 16 | parse_dates=True, index_col=0) 17 | 18 | df = pd.DataFrame([ 19 | stock_9613.ix['2010-01-01':, '終値'], 20 | stock_9682.ix['2010-01-01':, '終値'], 21 | stock_3626.ix['2010-01-01':, '終値'], 22 | stock_9759.ix['2010-01-01':, '終値'] 23 | ], index=['NTT データ', 'DTS', 'IT ホールディングス', 'NSD']).T 24 | 25 | rets = df.pct_change().dropna() 26 | by_year = rets.groupby(lambda x: x.year) 27 | vol_corr = lambda x: x.corrwith(x['NTT データ']) 28 | 29 | result1 = by_year.apply(vol_corr) 30 | 31 | print(result1) 32 | 33 | plt.figure() 34 | result1.plot() 35 | plt.legend(prop=prop) 36 | plt.xticks([2010, 2011, 2012, 2013, 2014, 2015]) 37 | plt.xlabel('年', fontproperties=prop) 38 | plt.show() 39 | plt.savefig("image.png") 40 | plt.close() 41 | 42 | result2 = by_year.apply(lambda g: g['DTS'].corr(g['NTT データ'])) 43 | 44 | print(result2) 45 | 46 | def regression(data, yvar, xvars): 47 | Y = data[yvar] 48 | X = data[xvars] 49 | X['intercept'] = 1. 50 | result = sm.OLS(Y, X).fit() 51 | return result.params 52 | 53 | result3 = by_year.apply(regression, 'DTS', ['NTT データ']) 54 | 55 | print(result3) 56 | -------------------------------------------------------------------------------- /python/scipy/t-test.py: -------------------------------------------------------------------------------- 1 | import numpy as np 2 | import scipy as sp 3 | from scipy import stats 4 | 5 | X = np.random.randint(65, 90, size=8) 6 | Y = np.random.randint(75, 95, size=8) 7 | 8 | print(X) 9 | print(Y) 10 | 11 | t, p = stats.ttest_rel(X, Y) 12 | 13 | print( "t 値は %(t)s" %locals() ) 14 | print( "確率は %(p)s" %locals() ) 15 | 16 | if p < 0.05: 17 | print("有意な差があります") 18 | else: 19 | print("有意な差がありません") 20 | 21 | -------------------------------------------------------------------------------- /python/sklearn/CodeIQ/CodeIQ_auth.txt: -------------------------------------------------------------------------------- 1 | 0.745 14.385 1 2 | 0.394 5.016 0 3 | 0.384 7.246 1 4 | 0.574 9.450 1 5 | 0.603 8.198 0 6 | 0.541 8.347 1 7 | 0.904 10.703 0 8 | 0.523 6.935 0 9 | 1.023 14.243 0 10 | 0.620 8.421 0 11 | 0.857 11.575 0 12 | 0.838 13.992 1 13 | 1.179 15.938 0 14 | 0.850 13.725 1 15 | 0.835 8.192 0 16 | 0.976 10.322 0 17 | 0.686 12.816 1 18 | 0.417 6.809 1 19 | 1.043 16.644 1 20 | 0.529 8.077 1 21 | 1.044 19.904 1 22 | 0.455 8.500 1 23 | 0.639 5.926 0 24 | 0.398 6.817 1 25 | 0.552 8.339 1 26 | 0.550 10.542 1 27 | 0.455 7.152 1 28 | 0.463 4.788 0 29 | 0.454 8.683 1 30 | 0.828 10.825 0 31 | 0.790 14.520 1 32 | 0.516 5.787 0 33 | 0.617 7.870 0 34 | 0.423 7.723 1 35 | 0.858 9.977 0 36 | 0.475 8.302 1 37 | 0.815 7.864 0 38 | 0.903 11.901 0 39 | 0.570 7.655 0 40 | 1.062 17.525 1 41 | 0.667 6.714 0 42 | 0.565 8.749 1 43 | 0.617 9.539 1 44 | 0.928 16.720 1 45 | 0.959 16.634 1 46 | 0.681 8.818 0 47 | 0.940 10.094 0 48 | 0.848 8.164 0 49 | 0.474 4.721 0 50 | 0.833 7.247 0 51 | 1.067 11.838 0 52 | 0.861 9.467 0 53 | 0.923 16.665 1 54 | 0.814 13.610 1 55 | 0.905 16.706 1 56 | 0.999 16.593 1 57 | 0.804 15.287 1 58 | 0.696 10.524 1 59 | 0.984 11.214 0 60 | 0.358 6.572 1 61 | 1.100 17.736 1 62 | 0.748 8.805 0 63 | 0.995 19.012 1 64 | 0.489 4.374 0 65 | 0.979 16.502 1 66 | 0.868 16.005 1 67 | 1.090 10.169 0 68 | 0.358 6.195 1 69 | 0.960 11.662 0 70 | 0.474 6.096 0 71 | 1.100 14.488 0 72 | 0.583 6.277 0 73 | 0.618 11.126 1 74 | 1.249 13.577 0 75 | 0.423 8.093 1 76 | 0.558 6.818 0 77 | 0.531 8.702 1 78 | 0.656 5.958 0 79 | 0.488 8.754 1 80 | 0.956 17.625 1 81 | 0.586 8.297 0 82 | 0.570 5.048 0 83 | 0.490 8.185 1 84 | 0.832 15.251 1 85 | 0.905 7.858 0 86 | 1.073 18.935 1 87 | 0.591 5.840 0 88 | 0.361 5.991 1 89 | 0.909 12.050 0 90 | 0.469 4.783 0 91 | 0.647 10.476 1 92 | 0.999 13.243 0 93 | 0.534 7.537 0 94 | 0.470 5.889 0 95 | 0.582 10.043 1 96 | 0.381 4.726 0 97 | 0.406 3.437 0 98 | 0.420 6.815 1 99 | 0.385 6.376 1 100 | 0.532 6.499 0 101 | -------------------------------------------------------------------------------- /python/sklearn/CodeIQ/CodeIQ_data.txt: -------------------------------------------------------------------------------- 1 | 12.94 3.62 2 | 4.41 8.56 3 | 13.54 16.63 4 | 6.53 3.62 5 | 10.25 3.02 6 | 4.75 13.25 7 | 7.98 3.66 8 | 10.87 4.47 9 | 2.28 11.62 10 | 15.15 16.65 11 | 2.66 14.11 12 | 16.87 13.99 13 | 6.32 10.94 14 | 5.90 10.64 15 | 12.26 1.27 16 | 8.90 3.33 17 | 11.11 13.27 18 | 11.06 2.33 19 | 6.99 15.45 20 | 16.62 16.67 21 | 9.60 3.91 22 | 11.74 3.33 23 | 18.84 16.50 24 | 2.03 8.98 25 | 15.21 14.97 26 | 2.66 8.10 27 | 3.60 11.50 28 | 1.23 10.67 29 | 14.39 13.58 30 | 13.88 12.54 31 | 7.11 14.42 32 | 13.16 11.24 33 | 14.45 14.39 34 | 10.93 1.19 35 | 8.00 2.66 36 | 10.93 1.91 37 | 9.11 4.31 38 | 10.69 4.01 39 | 3.78 11.26 40 | 12.15 13.39 41 | 7.58 2.71 42 | 3.60 11.73 43 | 7.50 2.97 44 | 13.30 12.80 45 | 4.02 12.52 46 | 3.59 12.18 47 | 9.55 1.93 48 | 15.55 12.07 49 | 10.08 1.70 50 | 12.10 9.86 51 | 2.11 7.93 52 | 14.90 17.23 53 | 3.51 11.18 54 | 8.28 1.59 55 | 10.23 2.70 56 | 4.23 9.27 57 | 10.77 4.62 58 | 16.50 14.32 59 | 4.25 8.16 60 | 13.88 11.71 61 | 9.30 4.20 62 | 8.67 3.48 63 | 5.13 9.82 64 | 15.73 15.06 65 | 12.17 13.49 66 | 4.72 12.13 67 | 11.30 2.63 68 | 10.18 2.06 69 | 10.45 11.46 70 | 9.06 2.58 71 | 11.51 14.53 72 | 10.40 1.19 73 | 3.17 10.87 74 | 11.41 2.75 75 | 15.51 17.25 76 | 5.22 10.88 77 | 12.88 2.58 78 | 4.01 9.67 79 | 15.85 16.90 80 | 14.64 14.53 81 | 13.12 12.88 82 | 11.66 10.90 83 | 15.57 12.67 84 | 3.09 9.82 85 | 4.96 10.81 86 | 2.53 12.64 87 | 9.38 3.40 88 | 3.40 10.05 89 | 10.95 2.50 90 | 12.55 4.88 91 | 16.35 15.72 92 | 2.76 12.21 93 | 5.20 10.61 94 | 11.57 1.64 95 | 12.14 10.71 96 | 2.18 14.68 97 | -------------------------------------------------------------------------------- /python/sklearn/CodeIQ/CodeIQ_eaten.txt: -------------------------------------------------------------------------------- 1 | 6.32 10.94 0 2 | 11.74 3.33 0 3 | 15.55 12.07 1 4 | 3.51 11.18 0 5 | 11.30 2.63 0 6 | 15.51 17.25 1 7 | -------------------------------------------------------------------------------- /python/sklearn/CodeIQ/CodeIQ_mycoins.txt: -------------------------------------------------------------------------------- 1 | 0.988 17.734 2 | 0.769 6.842 3 | 0.491 4.334 4 | 0.937 16.785 5 | 0.844 13.435 6 | 0.834 9.518 7 | 0.931 16.620 8 | 0.397 6.705 9 | 0.917 16.544 10 | 0.450 3.852 11 | 0.421 4.612 12 | 0.518 9.838 13 | 0.874 14.113 14 | 0.566 6.529 15 | 0.769 8.132 16 | 1.043 16.066 17 | 0.748 9.021 18 | 0.610 6.828 19 | 1.079 12.097 20 | 0.771 13.505 21 | -------------------------------------------------------------------------------- /python/sklearn/CodeIQ/sklearn-clustering.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | import numpy as np 4 | from sklearn.cluster import KMeans 5 | import matplotlib.pyplot as plt 6 | 7 | data = np.genfromtxt('CodeIQ_data.txt', delimiter=' ') 8 | eaten = np.genfromtxt('CodeIQ_eaten.txt', delimiter=' ') 9 | 10 | def kmeans(features): 11 | kmeans_model = KMeans(n_clusters=3, random_state=10).fit(features) 12 | labels = kmeans_model.labels_ 13 | return labels 14 | 15 | def plot(data, eaten): 16 | fig = plt.figure() 17 | ax = fig.add_subplot(1,1,1) 18 | x1, y1 = np.array([[x[0], x[1]] for x in data]).T 19 | ax.scatter(x1, y1, color='b') 20 | x2, y2 = np.array([[x[0], x[1]] for x in eaten if x[2] == 1]).T 21 | ax.scatter(x2, y2, color='r') 22 | x3, y3 = np.array([[x[0], x[1]] for x in eaten if x[2] == 0]).T 23 | ax.scatter(x3, y3, color='g') 24 | plt.legend(loc='best') 25 | plt.show() 26 | plt.savefig("image.png") 27 | 28 | plot(data, eaten) 29 | labels = kmeans(data) 30 | 31 | for label, feature in zip(labels, data): 32 | if label == 0: 33 | print(label, feature) 34 | 35 | -------------------------------------------------------------------------------- /python/sklearn/CodeIQ/sklearn-svm.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | import numpy as np 4 | from sklearn.svm import LinearSVC 5 | import matplotlib.pyplot as plt 6 | 7 | auth = np.genfromtxt('CodeIQ_auth.txt', delimiter=' ') 8 | train_X = np.array([[x[0], x[1]] for x in auth]) 9 | labels = [int(x[2]) for x in auth] 10 | 11 | clf = LinearSVC(C=1) 12 | 13 | clf.fit(train_X, labels) 14 | 15 | test_X = np.genfromtxt('CodeIQ_mycoins.txt', delimiter=' ') 16 | 17 | fig = plt.figure() 18 | ax1 = fig.add_subplot(2,1,1) 19 | ax2 = fig.add_subplot(2,1,2) 20 | 21 | correct = np.array([[x[0], x[1]] for x in auth if x[2] == 1]).T 22 | wrong = np.array([[x[0], x[1]] for x in auth if x[2] == 0]).T 23 | 24 | ax1.scatter(correct[0], correct[1], color='g') 25 | ax1.scatter(wrong[0], wrong[1], color='r') 26 | 27 | ax2.scatter(train_X.T[0], train_X.T[1], color='b') 28 | ax2.scatter(test_X.T[0], test_X.T[1], color='r') 29 | 30 | plt.legend(loc='best') 31 | plt.show() 32 | plt.savefig("image.png") 33 | 34 | results = clf.predict(test_X) 35 | 36 | for result, feature in zip(results, test_X): 37 | if result == 0 38 | print(result, feature) 39 | 40 | -------------------------------------------------------------------------------- /python/sklearn/bernoulli_nb.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | import numpy as np 4 | from sklearn.naive_bayes import BernoulliNB 5 | 6 | X = np.array([[1,2,3,4,5,6,7,8], 7 | [1,1,3,4,5,6,6,7], 8 | [2,1,2,4,5,8,8,8]]) 9 | y = np.array([1, 2, 3]) 10 | 11 | print(X) 12 | 13 | clf = BernoulliNB() 14 | clf.fit(X, y) 15 | 16 | _t = np.array([2,2,4,5,6,8,8,8]) 17 | 18 | print( _t ) 19 | 20 | _result = clf.predict(_t) 21 | 22 | print( _result ) 23 | -------------------------------------------------------------------------------- /python/sklearn/clustering.py: -------------------------------------------------------------------------------- 1 | #!/usr/bin/env python 2 | # -*- coding: utf-8 -*- 3 | 4 | import sys, os 5 | import codecs 6 | import numpy as np 7 | 8 | from sklearn.feature_extraction.text import TfidfVectorizer 9 | from sklearn.cluster import KMeans, MiniBatchKMeans 10 | from sklearn.decomposition import TruncatedSVD 11 | from sklearn.preprocessing import Normalizer 12 | 13 | class Analyzer: 14 | def __init__(self, args): 15 | self.infile = args[1] 16 | self.outfile = args[2] 17 | self.num_clusters = 5 18 | self.lsa_dim = 500 19 | self.max_df = 0.8 20 | self.max_features = 10000 21 | self.minibatch = True 22 | 23 | def _read_from_file(self): 24 | list = [] 25 | file = open(self.infile, 'r') 26 | for line in file: 27 | list.append( line.rstrip() ) 28 | file.close 29 | return list 30 | 31 | def make_cluster(self): 32 | texts = self._read_from_file() 33 | print("texts are %(texts)s" %locals() ) 34 | 35 | vectorizer = TfidfVectorizer( 36 | max_df=self.max_df, 37 | max_features=self.max_features, 38 | stop_words='english' 39 | ) 40 | X = vectorizer.fit_transform(texts) 41 | print("X values are %(X)s" %locals() ) 42 | 43 | if self.minibatch: 44 | km = MiniBatchKMeans( 45 | n_clusters=self.num_clusters, 46 | init='k-means++', batch_size=1000, 47 | n_init=10, max_no_improvement=10, 48 | verbose=True 49 | ) 50 | else: 51 | km = KMeans( 52 | n_clusters=self.num_clusters, 53 | init='k-means++', 54 | n_init=1, 55 | verbose=True 56 | ) 57 | km.fit(X) 58 | labels = km.labels_ 59 | 60 | transformed = km.transform(X) 61 | dists = np.zeros(labels.shape) 62 | for i in range(len(labels)): 63 | dists[i] = transformed[i, labels[i]] 64 | 65 | clusters = [] 66 | for i in range(self.num_clusters): 67 | cluster = [] 68 | ii = np.where(labels==i)[0] 69 | dd = dists[ii] 70 | di = np.vstack([dd,ii]).transpose().tolist() 71 | di.sort() 72 | for d, j in di: 73 | cluster.append(texts[int(j)]) 74 | clusters.append(cluster) 75 | 76 | return clusters 77 | 78 | def write_cluster(self, clusters): 79 | f = codecs.open('%s' % self.outfile, 'w', 'utf-8') 80 | for i, texts in enumerate(clusters): 81 | for text in texts: 82 | f.write('%d: %s\n' % (i, text.replace('/n', ''))) 83 | 84 | if __name__ == '__main__': 85 | if sys.version_info > (3,0): 86 | if len(sys.argv) > 2: 87 | analyzer = Analyzer(sys.argv) 88 | clusters = analyzer.make_cluster() 89 | print("Result clusters are %(clusters)s" %locals() ) 90 | analyzer.write_cluster(clusters) 91 | 92 | else: 93 | print("Invalid arguments") 94 | else: 95 | print("This program require python > 3.0") 96 | 97 | -------------------------------------------------------------------------------- /python/sklearn/gaussian_nb.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | import numpy as np 4 | from sklearn.naive_bayes import GaussianNB 5 | 6 | X = np.array([[1,2,3,4,5,6,7,8], 7 | [1,1,3,4,5,6,6,7], 8 | [2,1,2,4,5,8,8,8]]) 9 | y = np.array([1, 2, 3]) 10 | 11 | print(X) 12 | 13 | clf = GaussianNB() 14 | clf.fit(X, y) 15 | 16 | _t = np.array([2,2,4,5,6,8,8,8]) 17 | 18 | print( _t ) 19 | 20 | _result = clf.predict(_t) 21 | 22 | print( _result ) 23 | -------------------------------------------------------------------------------- /python/sklearn/london/cross_validation.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | import numpy as np 4 | from sklearn import svm 5 | from sklearn import neighbors 6 | from sklearn.ensemble import RandomForestClassifier 7 | from sklearn import cross_validation 8 | import codecs 9 | 10 | train_X = np.genfromtxt('train.csv', delimiter=',') 11 | train_y = np.genfromtxt('trainLabels.csv', delimiter=',') 12 | test_X = np.genfromtxt('test.csv', delimiter=',') 13 | 14 | clf = svm.SVC() 15 | scores = cross_validation.cross_val_score(clf, train_X, train_y, cv=5, n_jobs=1) 16 | print( "SVM: %(scores)s" %locals() ) 17 | clf = neighbors.KNeighborsClassifier() 18 | scores = cross_validation.cross_val_score(clf, train_X, train_y, cv=5, n_jobs=1) 19 | print( "KNeighbors: %(scores)s" %locals() ) 20 | clf = RandomForestClassifier() 21 | scores = cross_validation.cross_val_score(clf, train_X, train_y, cv=5, n_jobs=1) 22 | print( "RandomForest: %(scores)s" %locals() ) 23 | 24 | -------------------------------------------------------------------------------- /python/sklearn/london/cross_validation_2.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | import numpy as np 4 | from sklearn import svm 5 | from sklearn import neighbors 6 | from sklearn.ensemble import RandomForestClassifier 7 | from sklearn import cross_validation 8 | import codecs 9 | 10 | train_X = np.genfromtxt('train.csv', delimiter=',') 11 | train_y = np.genfromtxt('trainLabels.csv', delimiter=',') 12 | test_X = np.genfromtxt('test.csv', delimiter=',') 13 | 14 | def get_score(clf, train_features, train_labels): 15 | X_train, X_test, y_train, y_test = cross_validation.train_test_split(train_features, train_labels, test_size=0.4, random_state=0) 16 | clf.fit(X_train, y_train) 17 | return clf.score(X_test, y_test) 18 | 19 | clf = svm.SVC() 20 | scores = get_score(clf, train_X, train_y) 21 | print( scores ) 22 | 23 | clf = svm.SVC(C=100, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.001, kernel="rbf", max_iter=-1, probability=False,random_state=None, shrinking=True, tol=0.001, verbose=False) 24 | scores = get_score(clf, train_X, train_y) 25 | print( scores ) 26 | 27 | -------------------------------------------------------------------------------- /python/sklearn/london/grid_search.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | import numpy as np 4 | from sklearn.grid_search import GridSearchCV 5 | from sklearn import svm 6 | 7 | train_X = np.genfromtxt('train.csv', delimiter=',') 8 | train_y = np.genfromtxt('trainLabels.csv', delimiter=',') 9 | 10 | tuned_params = [ 11 | {'C':[1,10,100,1000], 'kernel':['linear']}, 12 | {'C':[1,10,100,1000], 'gamma':[0.001, 0.0001], 'kernel':['rbf']}, 13 | ] 14 | clf = GridSearchCV(svm.SVC(C=1), tuned_params, n_jobs=-1) 15 | 16 | clf.fit(train_X, train_y, cv=5) 17 | best = clf.best_estimator_ 18 | print( "Best is %(best)s" %locals() ) 19 | 20 | -------------------------------------------------------------------------------- /python/sklearn/london/kneighbors.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | import numpy as np 4 | from sklearn import neighbors 5 | import codecs 6 | 7 | train_X = np.genfromtxt('train.csv', delimiter=',') 8 | train_y = np.genfromtxt('trainLabels.csv', delimiter=',') 9 | test_X = np.genfromtxt('test.csv', delimiter=',') 10 | 11 | clf = neighbors.KNeighborsClassifier() 12 | clf.fit(train_X, train_y) 13 | 14 | result = clf.predict(test_X) 15 | 16 | def write_prediction(prediction, outfile): 17 | f = codecs.open(outfile, 'w') 18 | for x in prediction: 19 | f.write('%s\n' % (x)) 20 | 21 | write_prediction(result, 'kneighbors.txt') 22 | 23 | -------------------------------------------------------------------------------- /python/sklearn/london/random_forest.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | import numpy as np 4 | from sklearn.ensemble import RandomForestClassifier 5 | import codecs 6 | 7 | train_X = np.genfromtxt('train.csv', delimiter=',') 8 | train_y = np.genfromtxt('trainLabels.csv', delimiter=',') 9 | test_X = np.genfromtxt('test.csv', delimiter=',') 10 | 11 | clf = RandomForestClassifier() 12 | clf.fit(train_X, train_y) 13 | 14 | result = clf.predict(test_X) 15 | 16 | def write_prediction(prediction, outfile): 17 | f = codecs.open(outfile, 'w') 18 | for x in prediction: 19 | f.write('%s\n' % (x)) 20 | 21 | write_prediction(result, 'random_forest.txt') 22 | 23 | -------------------------------------------------------------------------------- /python/sklearn/london/svm.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | # Data Science London + Scikit-learn 4 | # DataSet: https://www.kaggle.com/c/data-science-london-scikit-learn/data?test.csv 5 | # Code: http://codiply.com/blog/data-science-london-scikit-learn-kaggle-competition-part-i 6 | 7 | import numpy as np 8 | from sklearn import svm, cross_validation 9 | import codecs 10 | 11 | train_X = np.genfromtxt('train.csv', delimiter=',') 12 | train_y = np.genfromtxt('trainLabels.csv', delimiter=',') 13 | test_X = np.genfromtxt('test.csv', delimiter=',') 14 | 15 | def get_model(tr_X, tr_y): 16 | svc = svm.SVC(C=1, kernel='rbf') 17 | svc.fit(train_X, train_y) 18 | return svc 19 | 20 | def test_model(): 21 | k_fold = cross_validation.KFold(len(train_X), n_folds=10, indices=True) 22 | scores = [] 23 | for train_indices, test_indices in k_fold: 24 | model = get_model(train_X[train_indices], train_y[train_indices]) 25 | score = model.score(train_X[test_indices], train_y[test_indices]) 26 | scores.append(score) 27 | print(min(scores), sum(scores)/len(scores), max(scores)) 28 | 29 | def save_predictions(filename): 30 | model = get_model(train_X, train_y) 31 | prediction = [ int(x) for x in model.predict(test_X) ] 32 | write_prediction(prediction, filename) 33 | 34 | def write_prediction(prediction, outfile): 35 | f = codecs.open(outfile, 'w') 36 | for x in prediction: 37 | f.write('%s\n' % (x)) 38 | 39 | test_model() 40 | save_predictions('svm.txt') 41 | 42 | -------------------------------------------------------------------------------- /python/sklearn/london/svm2.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | import numpy as np 4 | from sklearn import svm 5 | import codecs 6 | 7 | train_X = np.genfromtxt('train.csv', delimiter=',') 8 | train_y = np.genfromtxt('trainLabels.csv', delimiter=',') 9 | test_X = np.genfromtxt('test.csv', delimiter=',') 10 | 11 | clf = svm.SVC(kernel='rbf', C=1) 12 | clf.fit(train_X, train_y) 13 | 14 | result = clf.predict(test_X) 15 | 16 | def write_prediction(prediction, outfile): 17 | f = codecs.open(outfile, 'w') 18 | for x in prediction: 19 | f.write('%s\n' % (x)) 20 | 21 | write_prediction(result, 'svm.txt') 22 | 23 | -------------------------------------------------------------------------------- /python/sklearn/london/trainLabels.csv: -------------------------------------------------------------------------------- 1 | 1 2 | 0 3 | 0 4 | 1 5 | 0 6 | 1 7 | 0 8 | 1 9 | 1 10 | 0 11 | 1 12 | 0 13 | 0 14 | 0 15 | 0 16 | 1 17 | 1 18 | 0 19 | 1 20 | 0 21 | 1 22 | 0 23 | 0 24 | 1 25 | 0 26 | 1 27 | 1 28 | 1 29 | 0 30 | 1 31 | 1 32 | 1 33 | 0 34 | 1 35 | 0 36 | 1 37 | 0 38 | 1 39 | 1 40 | 1 41 | 1 42 | 1 43 | 1 44 | 1 45 | 1 46 | 0 47 | 1 48 | 0 49 | 1 50 | 0 51 | 1 52 | 0 53 | 1 54 | 0 55 | 1 56 | 1 57 | 1 58 | 0 59 | 0 60 | 0 61 | 1 62 | 1 63 | 1 64 | 1 65 | 1 66 | 1 67 | 0 68 | 0 69 | 1 70 | 1 71 | 1 72 | 1 73 | 0 74 | 0 75 | 0 76 | 1 77 | 0 78 | 1 79 | 0 80 | 1 81 | 1 82 | 1 83 | 0 84 | 1 85 | 0 86 | 0 87 | 0 88 | 1 89 | 1 90 | 1 91 | 0 92 | 1 93 | 0 94 | 1 95 | 1 96 | 1 97 | 0 98 | 0 99 | 0 100 | 0 101 | 1 102 | 0 103 | 0 104 | 1 105 | 1 106 | 1 107 | 0 108 | 1 109 | 1 110 | 1 111 | 1 112 | 0 113 | 0 114 | 0 115 | 0 116 | 0 117 | 1 118 | 1 119 | 1 120 | 0 121 | 0 122 | 0 123 | 1 124 | 0 125 | 1 126 | 0 127 | 0 128 | 0 129 | 0 130 | 0 131 | 1 132 | 1 133 | 0 134 | 0 135 | 1 136 | 0 137 | 0 138 | 1 139 | 1 140 | 0 141 | 1 142 | 1 143 | 0 144 | 1 145 | 0 146 | 0 147 | 1 148 | 0 149 | 1 150 | 1 151 | 0 152 | 0 153 | 1 154 | 1 155 | 1 156 | 0 157 | 0 158 | 0 159 | 0 160 | 1 161 | 0 162 | 0 163 | 1 164 | 0 165 | 1 166 | 0 167 | 0 168 | 1 169 | 0 170 | 1 171 | 1 172 | 1 173 | 0 174 | 1 175 | 0 176 | 1 177 | 0 178 | 1 179 | 1 180 | 1 181 | 0 182 | 0 183 | 1 184 | 1 185 | 0 186 | 0 187 | 0 188 | 1 189 | 0 190 | 1 191 | 1 192 | 0 193 | 0 194 | 0 195 | 0 196 | 0 197 | 1 198 | 0 199 | 0 200 | 0 201 | 0 202 | 0 203 | 0 204 | 0 205 | 1 206 | 1 207 | 1 208 | 0 209 | 1 210 | 1 211 | 1 212 | 1 213 | 1 214 | 0 215 | 0 216 | 1 217 | 1 218 | 1 219 | 0 220 | 1 221 | 1 222 | 0 223 | 1 224 | 0 225 | 1 226 | 0 227 | 0 228 | 1 229 | 1 230 | 0 231 | 1 232 | 1 233 | 1 234 | 1 235 | 1 236 | 1 237 | 1 238 | 0 239 | 0 240 | 1 241 | 0 242 | 0 243 | 1 244 | 0 245 | 1 246 | 0 247 | 0 248 | 0 249 | 0 250 | 1 251 | 1 252 | 0 253 | 0 254 | 0 255 | 0 256 | 1 257 | 1 258 | 1 259 | 1 260 | 0 261 | 1 262 | 0 263 | 0 264 | 0 265 | 1 266 | 0 267 | 1 268 | 1 269 | 1 270 | 0 271 | 0 272 | 0 273 | 1 274 | 0 275 | 0 276 | 0 277 | 0 278 | 0 279 | 0 280 | 0 281 | 1 282 | 0 283 | 0 284 | 0 285 | 0 286 | 0 287 | 1 288 | 0 289 | 1 290 | 0 291 | 1 292 | 1 293 | 1 294 | 0 295 | 0 296 | 0 297 | 1 298 | 1 299 | 1 300 | 1 301 | 1 302 | 1 303 | 1 304 | 1 305 | 1 306 | 0 307 | 1 308 | 0 309 | 1 310 | 0 311 | 1 312 | 1 313 | 1 314 | 1 315 | 1 316 | 0 317 | 1 318 | 0 319 | 1 320 | 1 321 | 0 322 | 0 323 | 0 324 | 1 325 | 1 326 | 0 327 | 1 328 | 1 329 | 0 330 | 1 331 | 0 332 | 0 333 | 0 334 | 1 335 | 0 336 | 0 337 | 0 338 | 1 339 | 0 340 | 0 341 | 0 342 | 1 343 | 1 344 | 1 345 | 0 346 | 0 347 | 0 348 | 1 349 | 0 350 | 0 351 | 0 352 | 1 353 | 1 354 | 0 355 | 0 356 | 0 357 | 0 358 | 1 359 | 1 360 | 1 361 | 1 362 | 0 363 | 0 364 | 1 365 | 0 366 | 0 367 | 0 368 | 0 369 | 1 370 | 1 371 | 1 372 | 1 373 | 0 374 | 1 375 | 1 376 | 0 377 | 0 378 | 0 379 | 0 380 | 1 381 | 1 382 | 1 383 | 1 384 | 1 385 | 1 386 | 1 387 | 1 388 | 1 389 | 0 390 | 1 391 | 1 392 | 0 393 | 0 394 | 1 395 | 0 396 | 1 397 | 1 398 | 0 399 | 0 400 | 1 401 | 0 402 | 1 403 | 0 404 | 1 405 | 0 406 | 0 407 | 1 408 | 0 409 | 0 410 | 1 411 | 1 412 | 0 413 | 1 414 | 1 415 | 0 416 | 1 417 | 0 418 | 1 419 | 0 420 | 1 421 | 1 422 | 1 423 | 0 424 | 1 425 | 1 426 | 1 427 | 1 428 | 1 429 | 1 430 | 0 431 | 0 432 | 1 433 | 0 434 | 1 435 | 1 436 | 0 437 | 1 438 | 1 439 | 0 440 | 1 441 | 0 442 | 0 443 | 1 444 | 1 445 | 1 446 | 1 447 | 0 448 | 0 449 | 1 450 | 0 451 | 0 452 | 0 453 | 0 454 | 1 455 | 0 456 | 1 457 | 0 458 | 1 459 | 0 460 | 0 461 | 1 462 | 0 463 | 0 464 | 0 465 | 1 466 | 1 467 | 1 468 | 1 469 | 1 470 | 0 471 | 1 472 | 0 473 | 0 474 | 1 475 | 1 476 | 0 477 | 1 478 | 1 479 | 0 480 | 1 481 | 1 482 | 0 483 | 1 484 | 0 485 | 1 486 | 1 487 | 1 488 | 0 489 | 1 490 | 0 491 | 1 492 | 0 493 | 1 494 | 0 495 | 1 496 | 1 497 | 1 498 | 1 499 | 0 500 | 1 501 | 0 502 | 1 503 | 0 504 | 1 505 | 0 506 | 0 507 | 0 508 | 0 509 | 1 510 | 1 511 | 1 512 | 0 513 | 1 514 | 1 515 | 0 516 | 0 517 | 1 518 | 1 519 | 0 520 | 0 521 | 1 522 | 0 523 | 1 524 | 1 525 | 1 526 | 0 527 | 0 528 | 0 529 | 1 530 | 1 531 | 1 532 | 0 533 | 0 534 | 0 535 | 0 536 | 1 537 | 0 538 | 0 539 | 0 540 | 1 541 | 1 542 | 0 543 | 0 544 | 0 545 | 1 546 | 0 547 | 1 548 | 1 549 | 0 550 | 1 551 | 1 552 | 0 553 | 0 554 | 0 555 | 1 556 | 1 557 | 0 558 | 0 559 | 1 560 | 1 561 | 0 562 | 1 563 | 0 564 | 1 565 | 0 566 | 0 567 | 0 568 | 0 569 | 1 570 | 1 571 | 0 572 | 0 573 | 1 574 | 1 575 | 0 576 | 0 577 | 0 578 | 1 579 | 0 580 | 0 581 | 1 582 | 0 583 | 0 584 | 1 585 | 1 586 | 0 587 | 1 588 | 0 589 | 0 590 | 0 591 | 1 592 | 1 593 | 1 594 | 1 595 | 1 596 | 1 597 | 0 598 | 0 599 | 1 600 | 1 601 | 1 602 | 1 603 | 0 604 | 0 605 | 1 606 | 0 607 | 0 608 | 1 609 | 1 610 | 1 611 | 1 612 | 0 613 | 0 614 | 1 615 | 1 616 | 0 617 | 1 618 | 1 619 | 0 620 | 0 621 | 1 622 | 1 623 | 0 624 | 0 625 | 1 626 | 1 627 | 1 628 | 1 629 | 0 630 | 0 631 | 1 632 | 1 633 | 0 634 | 1 635 | 1 636 | 0 637 | 1 638 | 1 639 | 1 640 | 0 641 | 1 642 | 0 643 | 1 644 | 1 645 | 0 646 | 0 647 | 1 648 | 0 649 | 0 650 | 1 651 | 0 652 | 1 653 | 0 654 | 0 655 | 0 656 | 1 657 | 1 658 | 1 659 | 0 660 | 0 661 | 0 662 | 1 663 | 1 664 | 0 665 | 1 666 | 0 667 | 1 668 | 1 669 | 1 670 | 1 671 | 1 672 | 1 673 | 1 674 | 0 675 | 0 676 | 1 677 | 0 678 | 1 679 | 0 680 | 1 681 | 0 682 | 0 683 | 1 684 | 0 685 | 1 686 | 1 687 | 1 688 | 0 689 | 0 690 | 0 691 | 0 692 | 1 693 | 1 694 | 1 695 | 1 696 | 1 697 | 0 698 | 1 699 | 0 700 | 0 701 | 0 702 | 0 703 | 0 704 | 0 705 | 1 706 | 0 707 | 1 708 | 1 709 | 0 710 | 0 711 | 0 712 | 0 713 | 0 714 | 1 715 | 0 716 | 0 717 | 0 718 | 0 719 | 1 720 | 1 721 | 1 722 | 0 723 | 1 724 | 1 725 | 1 726 | 1 727 | 0 728 | 0 729 | 1 730 | 1 731 | 0 732 | 1 733 | 0 734 | 1 735 | 1 736 | 0 737 | 0 738 | 0 739 | 1 740 | 1 741 | 1 742 | 0 743 | 1 744 | 0 745 | 1 746 | 0 747 | 0 748 | 0 749 | 1 750 | 1 751 | 0 752 | 0 753 | 1 754 | 0 755 | 1 756 | 1 757 | 0 758 | 1 759 | 1 760 | 1 761 | 1 762 | 0 763 | 1 764 | 0 765 | 0 766 | 0 767 | 0 768 | 1 769 | 1 770 | 1 771 | 0 772 | 0 773 | 1 774 | 1 775 | 0 776 | 1 777 | 1 778 | 1 779 | 0 780 | 0 781 | 1 782 | 1 783 | 1 784 | 1 785 | 1 786 | 0 787 | 0 788 | 1 789 | 0 790 | 1 791 | 0 792 | 0 793 | 1 794 | 1 795 | 0 796 | 0 797 | 1 798 | 1 799 | 1 800 | 0 801 | 0 802 | 0 803 | 0 804 | 0 805 | 0 806 | 0 807 | 1 808 | 1 809 | 0 810 | 0 811 | 0 812 | 0 813 | 0 814 | 1 815 | 1 816 | 1 817 | 1 818 | 0 819 | 0 820 | 0 821 | 0 822 | 1 823 | 0 824 | 0 825 | 1 826 | 1 827 | 0 828 | 0 829 | 0 830 | 0 831 | 0 832 | 0 833 | 0 834 | 0 835 | 0 836 | 1 837 | 0 838 | 0 839 | 0 840 | 0 841 | 1 842 | 1 843 | 1 844 | 0 845 | 1 846 | 1 847 | 1 848 | 1 849 | 1 850 | 0 851 | 0 852 | 0 853 | 1 854 | 0 855 | 1 856 | 0 857 | 1 858 | 0 859 | 0 860 | 0 861 | 1 862 | 1 863 | 1 864 | 1 865 | 1 866 | 0 867 | 0 868 | 0 869 | 0 870 | 1 871 | 1 872 | 1 873 | 1 874 | 1 875 | 0 876 | 0 877 | 0 878 | 1 879 | 0 880 | 0 881 | 0 882 | 0 883 | 0 884 | 0 885 | 1 886 | 1 887 | 1 888 | 0 889 | 0 890 | 1 891 | 1 892 | 0 893 | 0 894 | 0 895 | 1 896 | 1 897 | 1 898 | 0 899 | 1 900 | 1 901 | 0 902 | 1 903 | 1 904 | 0 905 | 0 906 | 1 907 | 1 908 | 0 909 | 1 910 | 0 911 | 0 912 | 1 913 | 0 914 | 1 915 | 0 916 | 0 917 | 1 918 | 1 919 | 1 920 | 1 921 | 0 922 | 0 923 | 0 924 | 1 925 | 1 926 | 0 927 | 0 928 | 0 929 | 1 930 | 1 931 | 1 932 | 1 933 | 1 934 | 0 935 | 1 936 | 1 937 | 0 938 | 0 939 | 1 940 | 1 941 | 1 942 | 0 943 | 1 944 | 1 945 | 1 946 | 1 947 | 0 948 | 0 949 | 1 950 | 1 951 | 1 952 | 0 953 | 0 954 | 0 955 | 1 956 | 0 957 | 1 958 | 0 959 | 1 960 | 0 961 | 0 962 | 0 963 | 0 964 | 1 965 | 1 966 | 0 967 | 1 968 | 1 969 | 1 970 | 0 971 | 1 972 | 0 973 | 1 974 | 1 975 | 1 976 | 1 977 | 0 978 | 0 979 | 0 980 | 0 981 | 0 982 | 1 983 | 1 984 | 0 985 | 0 986 | 0 987 | 0 988 | 0 989 | 1 990 | 0 991 | 1 992 | 1 993 | 1 994 | 1 995 | 0 996 | 0 997 | 1 998 | 1 999 | 0 1000 | 0 1001 | -------------------------------------------------------------------------------- /python/sklearn/multinomial_nb_2.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | import numpy as np 4 | from sklearn.naive_bayes import MultinomialNB 5 | 6 | X = np.array([[1,2,3,4,5,6,7,8], 7 | [1,1,3,4,5,6,6,7], 8 | [2,1,2,4,5,8,8,8]]) 9 | y = np.array([1, 2, 3]) 10 | 11 | print(X) 12 | 13 | # clf = MultinomialNB() 14 | clf = MultinomialNB(alpha=1.0, class_prior=None, fit_prior=True) 15 | clf.fit(X, y) 16 | 17 | _t = np.array([2,2,4,5,6,8,8,8]) 18 | 19 | print(_t) 20 | print(clf.predict(_t)) 21 | -------------------------------------------------------------------------------- /python/tensorflow/MNIST_csv/all.tar.gz.bin: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/ynakayama/sandbox/a23d85258b5525498b57672993b25d54fa08f189/python/tensorflow/MNIST_csv/all.tar.gz.bin -------------------------------------------------------------------------------- /python/tensorflow/MNIST_data/t10k-images-idx3-ubyte.gz: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/ynakayama/sandbox/a23d85258b5525498b57672993b25d54fa08f189/python/tensorflow/MNIST_data/t10k-images-idx3-ubyte.gz -------------------------------------------------------------------------------- /python/tensorflow/MNIST_data/t10k-labels-idx1-ubyte.gz: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/ynakayama/sandbox/a23d85258b5525498b57672993b25d54fa08f189/python/tensorflow/MNIST_data/t10k-labels-idx1-ubyte.gz -------------------------------------------------------------------------------- /python/tensorflow/MNIST_data/train-images-idx3-ubyte.gz: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/ynakayama/sandbox/a23d85258b5525498b57672993b25d54fa08f189/python/tensorflow/MNIST_data/train-images-idx3-ubyte.gz -------------------------------------------------------------------------------- /python/tensorflow/MNIST_data/train-labels-idx1-ubyte.gz: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/ynakayama/sandbox/a23d85258b5525498b57672993b25d54fa08f189/python/tensorflow/MNIST_data/train-labels-idx1-ubyte.gz -------------------------------------------------------------------------------- /python/tensorflow/mnist2jpg.py: -------------------------------------------------------------------------------- 1 | 2 | # mnist = input_data.read_data_sets('MNIST_data', one_hot=True) 3 | 4 | import numpy as np 5 | from PIL import Image 6 | 7 | mnist_train_images = np.loadtxt('train.images.csv', delimiter=',') 8 | mnist_train_labels = np.loadtxt('train.labels.csv', delimiter=',') 9 | 10 | im = Image.new('RGB', (28, 28), (255, 255, 255)) 11 | 12 | counter = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0] 13 | 14 | for i in range(len(mnist_train_images)): 15 | for l in range(len(mnist_train_labels[i])): 16 | if mnist_train_labels[i, l] > 0: 17 | label = l 18 | for y in range(28): 19 | for x in range(28): 20 | w = mnist_train_images[i, y * 28 + x] 21 | w = 255 - int(w * 255) 22 | im.putpixel((x, y), (w, w, w)) 23 | filename = 'images/' + str(label) + '_' + \ 24 | str(counter[label]).zfill(4) + '.jpg' 25 | im.save(filename, 'JPEG', quality=100, optimize=True) 26 | counter[label] = counter[label] + 1 27 | if i % 1000 == 0: 28 | print(str(i) + ' images completed.') 29 | i += 1 30 | 31 | for label in range(10): 32 | print('number ' + str(label) + ' : ' + 33 | str(counter[label]) + ' images converted.') 34 | print('total : ' + str(i) + ' images completed.') 35 | -------------------------------------------------------------------------------- /python/tensorflow/stock_predict.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | import numpy as np 3 | import pandas as pd 4 | 5 | import matplotlib 6 | matplotlib.use('agg') 7 | import matplotlib.pyplot as plt 8 | 9 | from sklearn import preprocessing 10 | from keras.models import Sequential 11 | from keras.layers.core import Dense, Activation 12 | from keras.layers.recurrent import LSTM 13 | 14 | 15 | class Prediction: 16 | 17 | def __init__(self): 18 | self.length_of_sequences = 10 19 | self.in_out_neurons = 1 20 | self.hidden_neurons = 300 21 | self.epochs = 100 22 | self.batch_size = 10 23 | 24 | def load_data(self, data, n_prev=10): 25 | X, Y = [], [] 26 | for i in range(len(data) - n_prev): 27 | X.append(data.iloc[i:(i + n_prev)].as_matrix()) 28 | Y.append(data.iloc[i + n_prev].as_matrix()) 29 | retX = np.array(X) 30 | retY = np.array(Y) 31 | return retX, retY 32 | 33 | def create_model(self): 34 | model = Sequential() 35 | model.add(LSTM(self.hidden_neurons, 36 | batch_input_shape=(None, self.length_of_sequences, 37 | self.in_out_neurons), 38 | return_sequences=False)) 39 | model.add(Dense(self.in_out_neurons)) 40 | model.add(Activation("linear")) 41 | model.compile(loss="mape", optimizer="adam") 42 | return model 43 | 44 | def train(self, X_train, y_train): 45 | model = self.create_model() 46 | model.fit(X_train, y_train, 47 | batch_size=self.batch_size, 48 | epochs=self.epochs) 49 | return model 50 | 51 | 52 | if __name__ == "__main__": 53 | 54 | prediction = Prediction() 55 | 56 | data = pd.read_csv('stock.csv').dropna(how='any') 57 | data.columns = ['date', 'open', 'high', 58 | 'low', 'close', 'volume', 'adj-close'] 59 | data['date'] = pd.to_datetime(data['date'], format='%Y-%m-%d') 60 | scaled_data = data.copy() 61 | scaled_data['adj-close'] = preprocessing.scale(data['adj-close']) 62 | # data = data.sort_values(by='date') 63 | # scaled_data = scaled_data.reset_index(drop=True) 64 | scaled_data = scaled_data.loc[:, ['date', 'adj-close']] 65 | 66 | split_pos = int(len(scaled_data) * 0.8) 67 | x_train, y_train = prediction.load_data( 68 | scaled_data[['adj-close']].iloc[0:split_pos], prediction.length_of_sequences) 69 | x_test, y_test = prediction.load_data( 70 | scaled_data[['adj-close']].iloc[split_pos:], prediction.length_of_sequences) 71 | 72 | model = prediction.train(x_train, y_train) 73 | 74 | predicted = model.predict(x_test) 75 | 76 | result = pd.DataFrame(predicted) 77 | result.columns = ['predict'] 78 | result['actual'] = y_test 79 | result.plot() 80 | plt.show() 81 | plt.savefig("image.png") 82 | -------------------------------------------------------------------------------- /python/tensorflow/zip.sh: -------------------------------------------------------------------------------- 1 | #!/bin/bash 2 | 3 | zip -rjq number0.zip images/0_* 4 | zip -rjq not0.zip images/1_0* images/2_0* images/3_0* images/4_0* images/5_0* images/6_0* images/7_0* images/8_0* images/9_0* 5 | -------------------------------------------------------------------------------- /python/text-mining/decompose.py: -------------------------------------------------------------------------------- 1 | import sys 2 | import os 3 | import MeCab 4 | 5 | 6 | class Analyzer: 7 | 8 | def __init__(self, args): 9 | self.path = args[1] 10 | 11 | def tagger(self): 12 | return MeCab.Tagger('-d /usr/local/lib/mecab/dic/ipadic') 13 | 14 | def preprocessing(self, sentence): 15 | return sentence.rstrip() 16 | 17 | def get_nouns(self): 18 | tagger = self.tagger() 19 | with open(self.path) as fd: 20 | nouns = [] 21 | for sentence in map(self.preprocessing, fd): 22 | for chunk in tagger.parse(sentence).splitlines()[:-1]: 23 | (surface, feature) = chunk.split('\t') 24 | if feature.startswith('名詞'): 25 | nouns.append(surface) 26 | return nouns 27 | 28 | 29 | if __name__ == '__main__': 30 | argsmin = 1 31 | version = (3, 0) 32 | if sys.version_info > (version): 33 | if len(sys.argv) > argsmin: 34 | analyzer = Analyzer(sys.argv) 35 | noun = analyzer.get_nouns() 36 | print(noun) 37 | else: 38 | print("This program needs at least %(argsmin)s arguments" % 39 | locals()) 40 | else: 41 | print("This program requires python > %(version)s" % locals()) 42 | 43 | 44 | -------------------------------------------------------------------------------- /python/text-mining/decompose2.py: -------------------------------------------------------------------------------- 1 | import sys 2 | import os 3 | import MeCab 4 | import pandas as pd 5 | 6 | class Analyzer: 7 | 8 | def __init__(self, args): 9 | self.path = args[1] 10 | 11 | def tagger(self): 12 | return MeCab.Tagger('-d /usr/local/lib/mecab/dic/mecab-ipadic-neologd') 13 | 14 | def preprocessing(self, sentence): 15 | return sentence.rstrip() 16 | 17 | def get_df(self): 18 | tagger = self.tagger() 19 | columns = ['surface', 'speech', 'subclass1', 'subclass2', 'subclass3', 'conjugation_type', 'conjugation_form', 'prototype', 'reading', 'pronunciation'] 20 | df = pd.DataFrame(index=[], columns=columns) 21 | with open(self.path) as fd: 22 | for sentence in map(self.preprocessing, fd): 23 | for chunk in tagger.parse(sentence).splitlines()[:-1]: 24 | (surface, feature) = chunk.split('\t') 25 | speech, subclass1, subclass2, subclass3, conjugation_type, conjugation_form, prototype, reading, pronunciation = feature.split(',') 26 | record = pd.Series([surface, speech, subclass1, subclass2, subclass3, conjugation_type, conjugation_form, prototype, reading, pronunciation], index=df.columns) 27 | df = df.append(record, ignore_index=True) 28 | return df 29 | 30 | 31 | if __name__ == '__main__': 32 | argsmin = 1 33 | version = (3, 0) 34 | if sys.version_info > (version): 35 | if len(sys.argv) > argsmin: 36 | analyzer = Analyzer(sys.argv) 37 | df = analyzer.get_df() 38 | print(df.surface.head(10)) 39 | print(df.speech.head(10)) 40 | print(df.subclass1.head(10)) 41 | else: 42 | print("This program needs at least %(argsmin)s arguments" % 43 | locals()) 44 | else: 45 | print("This program requires python > %(version)s" % locals()) 46 | 47 | 48 | -------------------------------------------------------------------------------- /python/text-mining/extract_category_map.py: -------------------------------------------------------------------------------- 1 | #!/usr/bin/env python 2 | # -*- coding: utf-8 -*- 3 | 4 | import sys 5 | import os 6 | import json 7 | import re 8 | from collections import OrderedDict 9 | 10 | class Analyzer: 11 | 12 | def __init__(self, args): 13 | self.filename = args[1] 14 | self.exclude = args[2] 15 | self.exclude_list = [] 16 | self.category_num = 0 17 | 18 | def start(self): 19 | self._read_from_exclude() 20 | self._extract_map('category.social') 21 | self._extract_map('category.politics') 22 | self._extract_map('category.international') 23 | self._extract_map('category.economics') 24 | self._extract_map('category.electro') 25 | self._extract_map('category.sports') 26 | self._extract_map('category.entertainment') 27 | self._extract_map('category.science') 28 | 29 | def _output(self, key, tag, value): 30 | print(key, tag, json.dumps(value, ensure_ascii=False), sep="\t") 31 | 32 | def _extract_map(self, category): 33 | self.dic = OrderedDict() 34 | file = open(self.filename, 'r') 35 | for line in file: 36 | word, counts, social, politics, international, economics, electro, sports, entertainment, science, standard_deviation = line.rstrip( 37 | ).split("\t") 38 | array = [int(social), int(politics), int(international), int( 39 | economics), int(electro), int(sports), int(entertainment), int(science)] 40 | if not array[self.category_num] == 0: 41 | if float(standard_deviation) < 10.0: 42 | if not word in self.exclude_list: 43 | r = re.compile("[一-龠]") 44 | if r.match(word): 45 | self._add_dic(word, array[self.category_num] * 3) 46 | else: 47 | self._add_dic(word, array[self.category_num]) 48 | 49 | file.close 50 | self.category_num += 1 51 | self._output(self.category_num, category, self.dic) 52 | return self.dic 53 | 54 | def _add_dic(self, word, count): 55 | if word in self.dic: 56 | self.dic[word] += count 57 | else: 58 | self.dic[word] = count 59 | 60 | def _read_from_exclude(self): 61 | file = open(self.exclude, 'r') 62 | for line in file: 63 | self.exclude_list.append(line.rstrip()) 64 | file.close 65 | return self.exclude_list 66 | 67 | if __name__ == '__main__': 68 | argsmin = 2 69 | version = (3, 0) 70 | if sys.version_info > (version): 71 | if len(sys.argv) > argsmin: 72 | analyzer = Analyzer(sys.argv) 73 | analyzer.start() 74 | else: 75 | print("This program needs at least %(argsmin)s arguments" % 76 | locals()) 77 | else: 78 | print("This program requires python > %(version)s" % locals()) 79 | -------------------------------------------------------------------------------- /python/text-mining/parse.py: -------------------------------------------------------------------------------- 1 | from bs4 import BeautifulSoup 2 | import sys 3 | import re 4 | import glob 5 | import pandas as pd 6 | 7 | def parse_html(filename): 8 | path = glob.glob('./' + filename) 9 | 10 | for p in path: 11 | 12 | name = p.replace('.html','').replace('./html\\','') 13 | html = open(p,'r',encoding="utf-8_sig") 14 | soup = BeautifulSoup(html,"html.parser") 15 | 16 | tr = soup.find_all('tr') 17 | columns = [i.text.replace('\n','') for i in tr[0].find_all('th')] 18 | 19 | df = pd.DataFrame(index=[],columns=columns[1:]) 20 | 21 | for l in tr[1:]: 22 | lines = [i.text for i in l.find_all('td')] 23 | lines = [i.replace('\n','') if n != 6 else re.sub(r'[\n]+', ",", i) for n,i in enumerate(lines)] 24 | lines = pd.Series(lines, index=df.columns) 25 | df = df.append(lines,ignore_index=True) 26 | 27 | df.to_csv('./'+name+'.csv', encoding='utf_8_sig', index=False) 28 | 29 | def main(): 30 | if len(sys.argv) != 2: 31 | print("Usage: parse.py html") 32 | sys.exit(1) 33 | 34 | parse_html(sys.argv[1]) 35 | 36 | if __name__ == '__main__': 37 | main() 38 | -------------------------------------------------------------------------------- /python/text-mining/test_exclude.txt: -------------------------------------------------------------------------------- 1 | ABC 2 | ABD 3 | -------------------------------------------------------------------------------- /python/text-mining/test_extract_category_map.py: -------------------------------------------------------------------------------- 1 | #!/usr/bin/env python 2 | # -*- coding: utf-8 -*- 3 | 4 | import os 5 | from nose.tools import * 6 | from extract_category_map import * 7 | 8 | def test_start(): 9 | f1 = os.path.join( 10 | os.path.dirname(os.path.abspath(__file__)), 'test_filename.txt') 11 | f2 = os.path.join( 12 | os.path.dirname(os.path.abspath(__file__)), 'test_exclude.txt') 13 | args = [__file__, f1, f2] 14 | analyzer = Analyzer(args) 15 | result = analyzer._read_from_exclude() 16 | eq_(['ABC', 'ABD'], result) 17 | -------------------------------------------------------------------------------- /python/text-mining/test_filename.txt: -------------------------------------------------------------------------------- 1 | AAA 3 0 0 0 0 2 0 1 0 0.6959705453537527 2 | AAC 3 0 0 0 0 3 0 0 0 0.9921567416492215 3 | ABA 1 0 0 0 0 1 0 0 0 0.33071891388307384 4 | ABC 9 0 0 1 0 5 1 2 0 1.6153559979150107 5 | -------------------------------------------------------------------------------- /python/wordnet/search_similar_words.py: -------------------------------------------------------------------------------- 1 | import sqlite3 2 | import os 3 | 4 | # 日本語 WordNet 読み込み 5 | conn = sqlite3.connect(os.path.join(os.getenv('HOME'), 'etc', 'wnjpn.db')) 6 | 7 | # 特定の単語を入力とした時に、類義語を検索する関数 8 | def SearchSimilarWords(word): 9 | 10 | # 問い合わせしたい単語が WordNet に存在するか確認する 11 | cur = conn.execute("select wordid from word where lemma='%s'" % word) 12 | word_id = 99999999 #temp 13 | for row in cur: 14 | word_id = row[0] 15 | 16 | # WordNet に存在する語であるかの判定 17 | if word_id==99999999: 18 | print("「%s」は、Wordnetに存在しない単語です。" % word) 19 | return 20 | else: 21 | print("【「%s」の類似語を出力します】\n" % word) 22 | 23 | # 入力された単語を含む概念を検索する 24 | cur = conn.execute("select synset from sense where wordid='%s'" % word_id) 25 | synsets = [] 26 | for row in cur: 27 | synsets.append(row[0]) 28 | 29 | # 概念に含まれる単語を検索して画面出力する 30 | no = 1 31 | for synset in synsets: 32 | cur1 = conn.execute("select name from synset where synset='%s'" % synset) 33 | for row1 in cur1: 34 | print("%sつめの概念 : %s" %(no, row1[0])) 35 | cur2 = conn.execute("select def from synset_def where (synset='%s' and lang='jpn')" % synset) 36 | sub_no = 1 37 | for row2 in cur2: 38 | print("意味%s : %s" %(sub_no, row2[0])) 39 | sub_no += 1 40 | cur3 = conn.execute("select wordid from sense where (synset='%s' and wordid!=%s)" % (synset,word_id)) 41 | sub_no = 1 42 | for row3 in cur3: 43 | target_word_id = row3[0] 44 | cur3_1 = conn.execute("select lemma from word where wordid=%s" % target_word_id) 45 | for row3_1 in cur3_1: 46 | print("類義語%s : %s" % (sub_no, row3_1[0])) 47 | sub_no += 1 48 | print("\n") 49 | no += 1 50 | -------------------------------------------------------------------------------- /r/linear-regression.R: -------------------------------------------------------------------------------- 1 | 2 | z <- c( 1, 2, 4, 6, 7, 8, 10, 15 ) 3 | x <- c( 0.045, 0.114, 0.215, 0.346, 0.410, 0.520, 0.670, 0.942 ) 4 | 5 | lm(x~z) 6 | coefficients(summary(lm(x~z))) 7 | summary(lm(x~z-1)) 8 | confint(lm(x~z-1)) 9 | 10 | png("image.png", width = 480, height = 480, pointsize = 12, bg = "white", res = NA) 11 | plot(z, x) 12 | dev.off() 13 | -------------------------------------------------------------------------------- /r/stats/fa.R: -------------------------------------------------------------------------------- 1 | df = read.csv("sample_data.csv") 2 | 3 | row.names(df) = df[,1] 4 | df = df[,2:8] 5 | head(df) 6 | 7 | png("image.png", width = 480, height = 480, pointsize = 12, bg = "white", res = NA) 8 | par(xpd=TRUE) 9 | biplot(prcomp(df, scale=TRUE)) 10 | dev.off() 11 | 12 | result <- factanal(x = df, factors = 2) 13 | result 14 | 1 - result$uniquenesses 15 | -------------------------------------------------------------------------------- /r/stats/macbook_price.ods: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/ynakayama/sandbox/a23d85258b5525498b57672993b25d54fa08f189/r/stats/macbook_price.ods -------------------------------------------------------------------------------- /r/stats/macbook_price.tsv: -------------------------------------------------------------------------------- 1 | ITEM PRICE DISPLAY RETINA CPU CORE MEM SSD 2 | MacBook Pro Retinaディスプレイ 2200/15.4 MGXA2J/A 176989 15.4 1 2200 4 16000 256 3 | MacBook Pro Retinaディスプレイ 2500/15.4 MGXC2J/A 221939 15.4 1 2500 4 16000 256 4 | MacBook Pro Retinaディスプレイ 2600/13.3 MGX72J/A 118501 13.3 1 2600 2 8000 128 5 | MacBook Pro Retinaディスプレイ 2600/13.3 MGX82J/A 135932 13.3 1 2600 2 8000 256 6 | MacBook Pro Retinaディスプレイ 2800/13.3 MGX92J/A 163436 13.3 1 2800 2 8000 512 7 | MacBook Air 1400/11.6 MD711J/B 80137 11.6 0 1400 2 4000 128 8 | MacBook Air 1400/11.6 MD712J/B 98398 11.6 0 1400 2 4000 256 9 | MacBook Air 1400/13.3 MD760J/B 89790 13.3 0 1400 2 4000 128 10 | MacBook Air 1400/13.3 MD761J/B 110426 13.3 0 1400 2 4000 256 11 | MacBook Pro Retinaディスプレイ 2000/15.4 ME293J/A 173040 15.4 1 2000 4 8000 256 12 | MacBook Pro Retinaディスプレイ 2300/15.4 ME294J/A 200999 15.4 1 2300 4 16000 512 13 | MacBook Pro Retinaディスプレイ 2400/13.3 ME864J/A 112800 13.3 1 2400 2 4000 128 14 | MacBook Pro Retinaディスプレイ 2400/13.3 ME865J/A 131500 13.3 1 2400 2 8000 256 15 | MacBook Pro Retinaディスプレイ 2600/13.3 ME866J/A 144999 13.3 1 2600 2 8000 512 16 | MacBook Air 1300/11.6 MD712J/A 93100 11.6 0 1300 2 4000 256 17 | -------------------------------------------------------------------------------- /r/stats/macbook_price_check.tsv: -------------------------------------------------------------------------------- 1 | ITEM PRICE SUMMARY STEP EXCEL 2 | MacBook Pro Retinaディスプレイ 2200/15.4 MGXA2J/A 176989 190049.843 187176.36 191544.5932 3 | MacBook Pro Retinaディスプレイ 2500/15.4 MGXC2J/A 221939 198241.943 196431.36 197772.4642 4 | MacBook Pro Retinaディスプレイ 2600/13.3 MGX72J/A 118501 126065.087 124903.68 126911.6516 5 | MacBook Pro Retinaディスプレイ 2600/13.3 MGX82J/A 135932 134545.855 133937.92 134749.8532 6 | MacBook Pro Retinaディスプレイ 2800/13.3 MGX92J/A 163436 156968.791 158176.4 154578.1704 7 | MacBook Air 1400/11.6 MD711J/B 80137 88472.687 87883.68 92188.1036 8 | MacBook Air 1400/11.6 MD712J/B 98398 96953.455 96917.92 100026.3052 9 | MacBook Air 1400/13.3 MD760J/B 89790 88472.687 87883.68 92188.1036 10 | MacBook Air 1400/13.3 MD761J/B 110426 96953.455 96917.92 100026.3052 11 | MacBook Pro Retinaディスプレイ 2000/15.4 ME293J/A 173040 174940.443 181006.36 167768.5512 12 | MacBook Pro Retinaディスプレイ 2300/15.4 ME294J/A 200999 209742.079 208329.84 209296.9534 13 | MacBook Pro Retinaディスプレイ 2400/13.3 ME864J/A 112800 115779.687 118733.68 112947.6736 14 | MacBook Pro Retinaディスプレイ 2400/13.3 ME865J/A 131500 129084.455 127767.92 130597.9392 15 | MacBook Pro Retinaディスプレイ 2600/13.3 ME866J/A 144999 151507.391 152006.4 150426.2564 16 | MacBook Air 1300/11.6 MD712J/A 93100 94222.755 93832.92 97950.3482 17 | -------------------------------------------------------------------------------- /r/stats/sample_data.csv: -------------------------------------------------------------------------------- 1 | 国,農林 水産業・狩猟業,鉱工業,製造業,建設業,卸売・小売業・飲食店・ホテル業,運輸・倉庫・通信業,その他・経済活動 2 | 日本,0.3,-2.1,-0.5,1,2.5,2.6,1.8 3 | イラン,0.3,-2.1,-1.2,-3.7,-1.8,-1.8,-3.3 4 | インド,1.9,1.2,1,4.3,9.1,1.9,7.8 5 | インドネシア,4,4.8,5.7,7.5,8.1,10,6.2 6 | 韓国,-0.6,2.3,2.2,-1.6,2.7,2.3,2.5 7 | サウジアラビア,1.3,5.4,4.8,4.5,6.4,6.4,4.4 8 | シンガポール,1.2,0.2,0.1,8.2,-0.3,2.7,1.5 9 | タイ,3.1,7.3,7,7.8,6.7,8,4.7 10 | 中国,4.5,7.7,7.6,9.3,10,7,7.5 11 | トルコ,3.1,1.9,1.8,0.6,1.8,1.7,3.5 12 | フィリピン,2.8,5.2,5.4,15.7,7.5,8.1,7.6 13 | アメリカ合衆国,21.5,5.1,4.3,9.3,5.1,4,7.1 14 | カナダ,0.7,0.9,1.4,5.2,2,1.7,1.8 15 | メキシコ,7.3,2.8,3.8,2,4.5,8.4,3.5 16 | アルゼンチン,-11.1,0.3,-0.4,-2.6,1.9,5,5 17 | ブラジル,-2.3,-1.4,-2.5,1.4,1.4,1,2 18 | イギリス,-3.4,-2.1,-1.5,-7.7,0.7,0.6,1.7 19 | イタリア,-4.4,-3.3,-3.9,-6.3,-2.4,-3.6,-0.8 20 | オーストリア,-8,2.3,1.2,0.8,-0.9,-0.9,1.5 21 | オランダ,0.3,-0.9,-1,-8.2,-1.3,-1.2,-0.5 22 | ギリシャ,-3.2,-1.7,-1,-15.6,-18.1,-19.1,-6.6 23 | スイス,-2.4,1.6,1,-1.5,0.5,-0.6,1.7 24 | スウェーデン,1.1,-1.9,-3.6,1.5,1,0.6,2 25 | スペイン,-10.9,-0.5,-1.1,-8.6,0.6,0.6,-1 26 | デンマーク,-2.7,-0.5,2.7,-1.9,2,1.6,-1 27 | ドイツ,1.6,-1.5,-1.8,-2.4,1.2,0.4,1.6 28 | フィンランド,-4.3,-5.3,-8.4,-4.8,1.6,1.4,0.8 29 | フランス,-5.8,-1.1,-2.1,-0.7,0.7,0.7,0.5 30 | ベルギー,2.3,-2.4,-2.3,1.1,-1.1,-0.5,0.3 31 | ポーランド,0.2,1.9,1.9,-0.7,1.3,6.5,2 32 | ロシア,-3.5,2.2,3.3,2,6.5,2.6,4.3 33 | エジプト,2.9,0.8,0.7,3.3,2.1,3.9,2.8 34 | 南アフリカ,2.3,0.6,2.4,2.5,3.6,2.3,3.1 35 | オーストラリア,-6.1,3.8,-1.1,0.9,2.8,0.9,3.3 36 | ニュージーランド,6.4,1.4,1.8,11,2.7,-0.3,1.7 37 | -------------------------------------------------------------------------------- /ruby/feed/major_newspaper.opml: -------------------------------------------------------------------------------- 1 | 2 | 3 | 4 | Subscriptions 5 | Fri, 17 Oct 2014 18:25:51 +0900 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | -------------------------------------------------------------------------------- /ruby/feed/major_newspaper.yml: -------------------------------------------------------------------------------- 1 | global: 2 | timezone: Asia/Tokyo 3 | cache: 4 | base: /tmp 5 | log: 6 | level: info 7 | 8 | plugins: 9 | - module: SubscriptionFeed 10 | config: 11 | feeds: 12 | - http://www.sankeibiz.jp/rss/news/points.xml 13 | - http://www.sankeibiz.jp/rss/news/flash.xml 14 | - http://www.sankeibiz.jp/rss/news/business.xml 15 | - http://www.sankeibiz.jp/rss/news/policy.xml 16 | - http://www.sankeibiz.jp/rss/news/compliance.xml 17 | 18 | - module: FilterIgnore 19 | config: 20 | link: 21 | - rssad 22 | 23 | - module: FilterSort 24 | config: 25 | sort: desc 26 | 27 | - module: StoreFullText 28 | config: 29 | db: sankei.db 30 | 31 | - module: PublishFluentd 32 | config: 33 | host: localhost 34 | port: 9999 35 | tag: news.sankei 36 | 37 | - module: FilterClear 38 | 39 | - module: SubscriptionFeed 40 | config: 41 | feeds: 42 | - http://www3.asahi.com/rss/index.rdf 43 | - http://www3.asahi.com/rss/national.rdf 44 | - http://www3.asahi.com/rss/business.rdf 45 | - http://www3.asahi.com/rss/science.rdf 46 | 47 | - module: FilterIgnore 48 | config: 49 | link: 50 | - rssad 51 | 52 | - module: FilterSort 53 | config: 54 | sort: desc 55 | 56 | - module: StoreFullText 57 | config: 58 | db: asahi.db 59 | 60 | - module: PublishFluentd 61 | config: 62 | host: localhost 63 | port: 9999 64 | tag: news.asahi 65 | 66 | - module: FilterClear 67 | 68 | - module: SubscriptionFeed 69 | config: 70 | feeds: 71 | - http://www.zou3.net/php/rss/nikkei2rss.php?head=main 72 | - http://feed.nikkeibp.co.jp/rss/nikkeibp/subject.rdf 73 | - http://feed.nikkeibp.co.jp/rss/nikkeibp/recommend.rdf 74 | - http://feed.nikkeibp.co.jp/rss/nikkeibp/buzz.rdf 75 | - http://feed.nikkeibp.co.jp/rss/nikkeibp/feature.rdf 76 | - http://feed.nikkeibp.co.jp/rss/nikkeibp/index.rdf 77 | 78 | - module: FilterIgnore 79 | config: 80 | link: 81 | - rssad 82 | 83 | - module: FilterSort 84 | config: 85 | sort: desc 86 | 87 | - module: StoreFullText 88 | config: 89 | db: nikkei.db 90 | 91 | - module: PublishFluentd 92 | config: 93 | host: localhost 94 | port: 9999 95 | tag: news.nikkei 96 | 97 | - module: FilterClear 98 | 99 | - module: SubscriptionFeed 100 | config: 101 | feeds: 102 | - http://rss.rssad.jp/rss/mainichi/flash.rss 103 | - http://mainichi.jp/rss/etc/opinion.rss 104 | 105 | - module: FilterIgnore 106 | config: 107 | link: 108 | - rssad 109 | 110 | - module: FilterSort 111 | config: 112 | sort: desc 113 | 114 | - module: StoreFullText 115 | config: 116 | db: mainichi.db 117 | 118 | - module: PublishFluentd 119 | config: 120 | host: localhost 121 | port: 9999 122 | tag: news.mainichi 123 | 124 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/example/lib/mapper.rb: -------------------------------------------------------------------------------- 1 | #!/opt/ruby/current/bin/ruby 2 | # -*- coding: utf-8 -*- 3 | 4 | require 'json' 5 | 6 | class Mapper 7 | def self.map(stdin) # 標準入力が渡ってくる 8 | event_type = mac_str = "" 9 | 10 | # 各行を逐次処理していく 11 | stdin.each_line {|line| 12 | json = line.force_encoding("utf-8").strip 13 | # JSON パーサーで分解する 14 | JSON.parse(json).each {|k,v| 15 | # Mac アドレスを取り出す 16 | mac_str = v if k == "mac_str" 17 | } 18 | # 1 件カウントする 19 | puts "#{mac_str}\t1\n" unless mac_str == "" 20 | mac_str = "" 21 | } 22 | end 23 | end 24 | 25 | if __FILE__ == $0 26 | Mapper.map($stdin) 27 | end 28 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/example/lib/reducer.rb: -------------------------------------------------------------------------------- 1 | #!/opt/ruby/current/bin/ruby 2 | # -*- coding: utf-8 -*- 3 | 4 | class Reducer 5 | def self.reduce(stdin) 6 | # 変数の初期化 7 | count = 0 8 | key = newkey = "" 9 | 10 | # 各行を逐次処理していく 11 | stdin.each_line {|line| 12 | # 1 行ごとに列に分解 13 | newkey, num = line.strip.split("\t") 14 | # 主キーが変化していないか監視する 15 | unless key == newkey 16 | # 変化していればカウントしていた合計値を出力する 17 | puts "#{key}\t#{count}\n" 18 | key = newkey 19 | count = 0 20 | newkey = "" 21 | end 22 | # キーが変化するまでカウンタを加算 23 | count += num.to_i 24 | } 25 | 26 | # 最後の 1 行が出力される機会が無いので 27 | puts "#{key}\t#{count}\n" unless key == "" 28 | end 29 | end 30 | 31 | if __FILE__ == $0 32 | Reducer.reduce($stdin) 33 | end 34 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/example/test.json: -------------------------------------------------------------------------------- 1 | {"topic_seq": 8394670, "op": 1, "seq": 95219446, "timestamp": 1394560204,"error_level": 231, "mac_str": "012345ABCDEF", "event_type": "location", "assoc": false, "location_x": 12399.999046325684, "location_y": 3123.9998569488525} 2 | {"topic_seq": 8394670, "op": 3, "seq": 95219448, "timestamp": 1394560404,"error_level": 231, "mac_str": "012345ABCDFF", "event_type": "location", "assoc": true, "location_x": 12399.999046325684, "location_y": 3123.9998569488525} 3 | {"topic_seq": 8394670, "op": 2, "seq": 95219447, "timestamp": 1394560304,"error_level": 231, "mac_str": "012345ABCDFF", "event_type": "location", "assoc": false, "location_x": 12399.999046325684, "location_y": 3123.9998569488525} 4 | {"topic_seq": 8394670, "op": 4, "seq": 95219448, "timestamp": 1394560504,"error_level": 231, "mac_str": "01236AABCDEF", "event_type": "location", "assoc": true, "location_x": 12399.999046325684, "location_y": 3123.9998569488525} 5 | {"topic_seq": 8394670, "op": 3, "seq": 95219448, "timestamp": 1394560404,"error_level": 231, "mac_str": "012346ABCDEF", "event_type": "location", "assoc": true, "location_x": 12399.999046325684, "location_y": 3123.9998569488525} 6 | {"topic_seq": 8394670, "op": 4, "seq": 95219448, "timestamp": 1394560504,"error_level": 231, "mac_str": "01236AABCDEF", "event_type": "location", "assoc": true, "location_x": 12399.999046325684, "location_y": 3123.9998569488525} 7 | {"topic_seq": 8394670, "op": 3, "seq": 95219448, "timestamp": 1394560404,"error_level": 231, "mac_str": "012346ABCDEF", "event_type": "location", "assoc": true, "location_x": 12399.999046325684, "location_y": 3123.9998569488525} 8 | {"topic_seq": 8394670, "op": 4, "seq": 95219448, "timestamp": 1394560504,"error_level": 231, "mac_str": "01236AABCDEF", "event_type": "location", "assoc": true, "location_x": 12399.999046325684, "location_y": 3123.9998569488525} 9 | {"topic_seq": 8394670, "op": 3, "seq": 95219448, "timestamp": 1394560404,"error_level": 231, "mac_str": "012346ABCDEF", "event_type": "location", "assoc": true, "location_x": 12399.999046325684, "location_y": 3123.9998569488525} 10 | {"topic_seq": 8394670, "op": 3, "seq": 95219448, "timestamp": 1394560404,"error_level": 231, "mac_str": "012346ABCDEF", "event_type": "location", "assoc": true, "location_x": 12399.999046325684, "location_y": 3123.9998569488525} 11 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/job1_export/Rakefile: -------------------------------------------------------------------------------- 1 | # encoding: utf-8 2 | 3 | require 'rubygems' 4 | 5 | require 'rspec/core' 6 | require 'rspec/core/rake_task' 7 | 8 | task :spec do 9 | RSpec::Core::RakeTask.new(:spec) do |spec| 10 | spec.rspec_opts = ["-c","-fs"] 11 | spec.pattern = FileList['spec/*_spec.rb'] 12 | end 13 | end 14 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/job1_export/lib/mapper.rb: -------------------------------------------------------------------------------- 1 | #!/opt/ruby/current/bin/ruby 2 | # -*- coding: utf-8 -*- 3 | 4 | require 'json' 5 | 6 | $:.unshift File.join(File.dirname(__FILE__)) 7 | 8 | class Mapper 9 | def self.map(stdin) 10 | event_type = mac_str = tar_file = timestamp = rmac_str = rssi_val = "" 11 | 12 | stdin.each_line {|line| 13 | json = line.force_encoding("utf-8").strip 14 | 15 | JSON.parse(json).each {|k,v| 16 | case k 17 | when "event_type" 18 | event_type = v 19 | when "mac_str" 20 | mac_str = v 21 | when "tar_file" 22 | tar_file = v 23 | when "timestamp" 24 | timestamp = format("%010d", v) 25 | when "rmac_str" 26 | rmac_str = v 27 | when "rssi_val" 28 | rssi_val = v 29 | end 30 | } 31 | 32 | if event_type == "rssi" 33 | puts "#{tar_file},#{mac_str},#{timestamp}\t#{rmac_str}\t#{rssi_val}\n" unless mac_str == "" 34 | end 35 | 36 | event_type = mac_str = tar_file = timestamp = rmac_str = rssi_val = "" 37 | } 38 | end 39 | end 40 | 41 | if __FILE__ == $0 42 | Mapper.map($stdin) 43 | end 44 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/job1_export/lib/reducer.rb: -------------------------------------------------------------------------------- 1 | #!/opt/ruby/current/bin/ruby 2 | # -*- coding: utf-8 -*- 3 | 4 | $:.unshift File.join(File.dirname(__FILE__)) 5 | 6 | class Reducer 7 | def self.reduce(stdin) 8 | time_diff = current_time = -1 9 | key = newkey = event_type = mac_str = tar_file = timestamp = rmac_str = rssi_val = humantime = "" 10 | 11 | stdin.each_line {|line| 12 | k, rmac_str, rssi_val = line.strip.split("\t") 13 | tar_file, mac_str, timestamp = k.strip.split(",") 14 | 15 | newkey = tar_file + mac_str 16 | humantime = Time.at(timestamp.to_i).to_s 17 | 18 | if key == newkey 19 | time_diff = timestamp.to_i - current_time 20 | puts "#{tar_file}\t#{mac_str}\t#{rmac_str}\t#{rssi_val}\t#{timestamp}\t#{humantime}\t#{time_diff}\n" 21 | else 22 | time_diff = -1 23 | puts "#{tar_file}\t#{mac_str}\t#{rmac_str}\t#{rssi_val}\t#{timestamp}\t#{humantime}\t#{time_diff}\n" 24 | key = newkey 25 | newkey = "" 26 | end 27 | current_time = timestamp.to_i 28 | } 29 | end 30 | end 31 | 32 | if __FILE__ == $0 33 | Reducer.reduce($stdin) 34 | end 35 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/job1_export/spec/mapper_spec.rb: -------------------------------------------------------------------------------- 1 | #!/usr/bin/env ruby 2 | # -*- coding: utf-8 -*- 3 | 4 | require 'rubygems' 5 | require 'rspec' 6 | 7 | class Mapper 8 | def self.run 9 | `cat test_data.txt | ruby lib/mapper.rb` 10 | end 11 | end 12 | 13 | describe Mapper do 14 | context '#run' do 15 | subject { 16 | Mapper.run 17 | } 18 | 19 | let(:expected) { 20 | "20140312.tar.gz,BBCCDDEE1122,1394559961\tShop15\t14\n" + 21 | "20140312.tar.gz,CCDDEEAA2233,1394559946\tShop14\t26\n" + 22 | "20140312.tar.gz,CCDDEEAA2233,1394560046\tShop13\t28\n" 23 | } 24 | 25 | it '予期したデータが抽出される' do 26 | expect(subject).to eq expected 27 | end 28 | end 29 | end 30 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/job1_export/spec/reducer_spec.rb: -------------------------------------------------------------------------------- 1 | #!/usr/bin/env ruby 2 | # -*- coding: utf-8 -*- 3 | 4 | require 'rubygems' 5 | require 'rspec' 6 | 7 | class Reducer 8 | def self.run 9 | `cat test_data.txt | ruby lib/mapper.rb | sort | ruby lib/reducer.rb` 10 | end 11 | end 12 | 13 | describe Reducer do 14 | context '#run' do 15 | subject { 16 | Reducer.run 17 | } 18 | 19 | let(:expected) { 20 | "20140312.tar.gz\tBBCCDDEE1122\tShop15\t14\t1394559961\t2014-03-12 02:46:01 +0900\t-1\n" + 21 | "20140312.tar.gz\tCCDDEEAA2233\tShop14\t26\t1394559946\t2014-03-12 02:45:46 +0900\t-1\n" + 22 | "20140312.tar.gz\tCCDDEEAA2233\tShop13\t28\t1394560046\t2014-03-12 02:47:26 +0900\t100\n" 23 | } 24 | 25 | it 'Mapper の出力のうち同一キーのデータについて前レコードからの秒数の差分が出力される' do 26 | expect(subject).to eq expected 27 | end 28 | end 29 | end 30 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/job1_export/test_data.txt: -------------------------------------------------------------------------------- 1 | {"event_type": "presence", "topic_seq": 12868790, "op": 0, "seq": 95218483, "timestamp": 1394559970, "assoc": false, "txt_file": "20140312-000.txt", "mac_str": "AABBCCDD0011", "tar_file": "20140312.tar.gz"} 2 | {"event_type": "presence", "topic_seq": 12868790, "op": 0, "seq": 95218483, "timestamp": 1394559970, "assoc": false, "txt_file": "20140312-000.txt", "mac_str": "BBCCDDEE1122", "tar_file": "20140312.tar.gz"} 3 | {"event_type": "rssi", "topic_seq": 72371461, "op": 1, "seq": 95218484, "timestamp": 1394559961, "rssi_val": 14, "txt_file": "20140312-000.txt", "mac_str": "BBCCDDEE1122", "rmac_str": "Shop15", "tar_file": "20140312.tar.gz"} 4 | {"event_type": "rssi", "topic_seq": 72371462, "op": 1, "seq": 95218485, "timestamp": 1394559946, "rssi_val": 26, "txt_file": "20140312-000.txt", "mac_str": "CCDDEEAA2233", "rmac_str": "Shop14", "tar_file": "20140312.tar.gz"} 5 | {"event_type": "rssi", "topic_seq": 72371463, "op": 1, "seq": 95218486, "timestamp": 1394560046, "rssi_val": 28, "txt_file": "20140312-000.txt", "mac_str": "CCDDEEAA2233", "rmac_str": "Shop13", "tar_file": "20140312.tar.gz"} 6 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/job2_merge/Rakefile: -------------------------------------------------------------------------------- 1 | # encoding: utf-8 2 | 3 | require 'rubygems' 4 | 5 | require 'rspec/core' 6 | require 'rspec/core/rake_task' 7 | 8 | task :spec do 9 | RSpec::Core::RakeTask.new(:spec) do |spec| 10 | spec.rspec_opts = ["-c","-fs"] 11 | spec.pattern = FileList['spec/*_spec.rb'] 12 | end 13 | end 14 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/job2_merge/lib/mapper.rb: -------------------------------------------------------------------------------- 1 | #!/opt/ruby/current/bin/ruby 2 | # -*- coding: utf-8 -*- 3 | 4 | $:.unshift File.join(File.dirname(__FILE__)) 5 | 6 | class Mapper 7 | def self.map(stdin) 8 | stdin.each_line {|line| 9 | tar_file, mac_str, rmac_str, rssi_val, timestamp, humantime, time_diff = line.strip.split("\t") 10 | diff = time_diff.to_i 11 | 12 | unless diff >= 0 and diff < 10 13 | puts "#{tar_file},#{timestamp}\t#{mac_str}\t#{rmac_str}\t#{rssi_val}\t#{humantime}\t#{time_diff}\n" 14 | end 15 | } 16 | end 17 | end 18 | 19 | if __FILE__ == $0 20 | Mapper.map($stdin) 21 | end 22 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/job2_merge/lib/reducer.rb: -------------------------------------------------------------------------------- 1 | #!/opt/ruby/current/bin/ruby 2 | # -*- coding: utf-8 -*- 3 | 4 | $:.unshift File.join(File.dirname(__FILE__)) 5 | 6 | class Reducer 7 | def self.reduce(stdin) 8 | key = newkey = "" 9 | 10 | stdin.each_line {|line| 11 | key, mac_str, rmac_str, rssi_val, humantime, time_diff = line.strip.split("\t") 12 | tar_file, timestamp = key.split(",") 13 | puts "#{tar_file}\t#{timestamp}\t#{mac_str}\t#{rmac_str}\t#{rssi_val}\t#{humantime}\t#{time_diff}\n" 14 | } 15 | end 16 | end 17 | 18 | if __FILE__ == $0 19 | Reducer.reduce($stdin) 20 | end 21 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/job2_merge/spec/mapper_spec.rb: -------------------------------------------------------------------------------- 1 | #!/usr/bin/env ruby 2 | # -*- coding: utf-8 -*- 3 | 4 | require 'rubygems' 5 | require 'rspec' 6 | 7 | class Mapper 8 | def self.run 9 | `cat test_data.txt | ruby lib/mapper.rb` 10 | end 11 | end 12 | 13 | describe Mapper do 14 | context '#run' do 15 | subject { 16 | Mapper.run 17 | } 18 | 19 | let(:expected) { 20 | "20140312.tar.gz,1394559961\tBBCCDDEE1122\tShop15\t14\t2014-03-12 02:46:01 +0900\t-1\n" + 21 | "20140312.tar.gz,1394559946\tCCDDEEAA2233\tShop14\t26\t2014-03-12 02:45:46 +0900\t-1\n" + 22 | "20140312.tar.gz,1394560046\tCCDDEEAA2233\tShop13\t28\t2014-03-12 02:47:26 +0900\t100\n" + 23 | "20140312.tar.gz,1394560109\tCCDDEEAA2233\tShop10\t33\t2014-03-12 02:48:29 +0900\t60\n" + 24 | "20140312.tar.gz,1394559961\tDBCCDDEE1122\tShop15\t14\t2014-03-12 02:46:01 +0900\t-1\n" + 25 | "20140312.tar.gz,1394559946\tECDDEEAA2233\tShop14\t26\t2014-03-12 02:45:46 +0900\t-1\n" + 26 | "20140312.tar.gz,1394560046\tECDDEEAA2233\tShop13\t28\t2014-03-12 02:47:26 +0900\t100\n" + 27 | "20140312.tar.gz,1394560109\tECDDEEAA2234\tShop10\t33\t2014-03-12 02:48:29 +0900\t60\n" 28 | } 29 | 30 | it '一定時間間隔以内の同一キーの場合を除去してデータを出力する' do 31 | expect(subject).to eq expected 32 | end 33 | end 34 | end 35 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/job2_merge/spec/reducer_spec.rb: -------------------------------------------------------------------------------- 1 | #!/usr/bin/env ruby 2 | # -*- coding: utf-8 -*- 3 | 4 | require 'rubygems' 5 | require 'rspec' 6 | 7 | class Reducer 8 | def self.run 9 | `cat test_data.txt | ruby lib/mapper.rb | sort | ruby lib/reducer.rb` 10 | end 11 | end 12 | 13 | describe Reducer do 14 | context '#run' do 15 | subject { 16 | Reducer.run 17 | } 18 | 19 | let(:expected) { 20 | "20140312.tar.gz\t1394559946\tCCDDEEAA2233\tShop14\t26\t2014-03-12 02:45:46 +0900\t-1\n" + 21 | "20140312.tar.gz\t1394559946\tECDDEEAA2233\tShop14\t26\t2014-03-12 02:45:46 +0900\t-1\n" + 22 | "20140312.tar.gz\t1394559961\tBBCCDDEE1122\tShop15\t14\t2014-03-12 02:46:01 +0900\t-1\n" + 23 | "20140312.tar.gz\t1394559961\tDBCCDDEE1122\tShop15\t14\t2014-03-12 02:46:01 +0900\t-1\n" + 24 | "20140312.tar.gz\t1394560046\tCCDDEEAA2233\tShop13\t28\t2014-03-12 02:47:26 +0900\t100\n" + 25 | "20140312.tar.gz\t1394560046\tECDDEEAA2233\tShop13\t28\t2014-03-12 02:47:26 +0900\t100\n" + 26 | "20140312.tar.gz\t1394560109\tCCDDEEAA2233\tShop10\t33\t2014-03-12 02:48:29 +0900\t60\n" + 27 | "20140312.tar.gz\t1394560109\tECDDEEAA2234\tShop10\t33\t2014-03-12 02:48:29 +0900\t60\n" 28 | } 29 | 30 | it 'Mapper の出力をタイムスタンプ順にソートし整形した上で出力する' do 31 | expect(subject).to eq expected 32 | end 33 | end 34 | end 35 | -------------------------------------------------------------------------------- /ruby/hadoop/streaming/job2_merge/test_data.txt: -------------------------------------------------------------------------------- 1 | 20140312.tar.gz BBCCDDEE1122 Shop15 14 1394559961 2014-03-12 02:46:01 +0900 -1 2 | 20140312.tar.gz CCDDEEAA2233 Shop14 26 1394559946 2014-03-12 02:45:46 +0900 -1 3 | 20140312.tar.gz CCDDEEAA2233 Shop13 28 1394560046 2014-03-12 02:47:26 +0900 100 4 | 20140312.tar.gz CCDDEEAA2233 Shop12 11 1394560047 2014-03-12 02:47:27 +0900 1 5 | 20140312.tar.gz CCDDEEAA2233 Shop11 18 1394560049 2014-03-12 02:47:29 +0900 2 6 | 20140312.tar.gz CCDDEEAA2233 Shop10 33 1394560109 2014-03-12 02:48:29 +0900 60 7 | 20140312.tar.gz DBCCDDEE1122 Shop15 14 1394559961 2014-03-12 02:46:01 +0900 -1 8 | 20140312.tar.gz ECDDEEAA2233 Shop14 26 1394559946 2014-03-12 02:45:46 +0900 -1 9 | 20140312.tar.gz ECDDEEAA2233 Shop13 28 1394560046 2014-03-12 02:47:26 +0900 100 10 | 20140312.tar.gz ECDDEEAA2233 Shop12 11 1394560047 2014-03-12 02:47:27 +0900 1 11 | 20140312.tar.gz ECDDEEAA2233 Shop11 18 1394560049 2014-03-12 02:47:29 +0900 2 12 | 20140312.tar.gz ECDDEEAA2234 Shop10 33 1394560109 2014-03-12 02:48:29 +0900 60 13 | -------------------------------------------------------------------------------- /ruby/jpstock/data/gen.sh: -------------------------------------------------------------------------------- 1 | #!/bin/bash 2 | 3 | PYTHON=/opt/python/current/bin/python 4 | TARGET=~/sandbox/python/pandas/stock/diff.py 5 | $PYTHON $TARGET 20150824 20150825 6 | $PYTHON $TARGET 20150825 20150826 7 | $PYTHON $TARGET 20150826 20150827 8 | $PYTHON $TARGET 20150827 20150828 9 | $PYTHON $TARGET 20150828 20150831 10 | $PYTHON $TARGET 20150831 20150901 11 | $PYTHON $TARGET 20150901 20150911 12 | $PYTHON $TARGET 20150911 20150914 13 | $PYTHON $TARGET 20150914 20150915 14 | $PYTHON $TARGET 20150915 20150902 15 | $PYTHON $TARGET 20150902 20150916 16 | $PYTHON $TARGET 20150916 20150917 17 | $PYTHON $TARGET 20150917 20150918 18 | $PYTHON $TARGET 20150918 20150921 19 | $PYTHON $TARGET 20150921 20150922 20 | $PYTHON $TARGET 20150922 20150923 21 | $PYTHON $TARGET 20150923 20150924 22 | $PYTHON $TARGET 20150924 20150925 23 | $PYTHON $TARGET 20150925 20150928 24 | $PYTHON $TARGET 20150928 20150929 25 | $PYTHON $TARGET 20150929 20150930 26 | $PYTHON $TARGET 20150930 20151001 27 | $PYTHON $TARGET 20151001 20151002 28 | $PYTHON $TARGET 20151002 20151005 29 | -------------------------------------------------------------------------------- /ruby/jpstock/data/summary.csv.20150826.csv: -------------------------------------------------------------------------------- 1 | Code Corr Open High Low Close Change Ratio Trend Pred Name 2 | 3742 0.17 985 1054 950 1047 137 13.18 1 987 ITbook 3 | 3799 0.19 517 585 517 581 69 12.05 0 547 キーウェアソリューションズ 4 | 3793 0.13 707 815 707 790 90 11.52 0 745 ドリコム 5 | 4777 0.17 771 830 751 825 87 10.67 1 798 ガーラ 6 | 3905 0.12 580 629 548 592 62 10.64 0 561 データセクション 7 | 6981 0.43 16520 17350 15515 16955 1625 9.59 1 16152 村田製 8 | 6762 0.67 7090 7500 6990 7480 690 9.24 0 7136 ＴＤＫ 9 | 3907 0.21 3780 3910 3625 3840 340 8.88 0 3671 シリコンスタジオ 10 | 2412 0.25 1940 2120 1908 2095 178 8.54 0 2017 ベネフィット・ワン 11 | 6988 0.64 7510 8105 7500 8105 687 8.49 0 7765 日東電 12 | 2121 0.13 4130 4390 4080 4380 360 8.24 1 4201 ミクシィ 13 | 9501 0.4 816 840 794 838 67 8.11 0 805 東京電力 14 | 6425 0.3 2171 2316 2155 2303 182 7.95 0 2218 ユニバーサル 15 | 4572 0.11 3150 3280 3015 3250 253 7.82 1 3220 カルナバイオサイエンス 16 | 8410 0.39 492 510 482 509 38 7.66 0 490 セブン銀 17 | 9503 0.41 1406 1504 1403 1499 113 7.61 0 1444 関西電力 18 | 6594 0.45 9130 9415 8958 9377 697 7.44 0 9033 日電産 19 | 4722 0.37 635 683 635 678 49 7.37 0 653 フューチャーアーキテクト 20 | 8572 0.47 529 549 522 546 39 7.33 0 526 アコム 21 | 6094 -0.02 1266 1450 1266 1420 100 7.11 0 1370 フリークアウト 22 | 4911 0.39 2439 2609 2430 2599 183 7.08 0 2512 資生堂 23 | 4922 0.3 10770 11370 10750 11360 800 7.05 1 10989 コーセー 24 | 3765 0.11 342 354 335 353 23 6.8 0 341 ガンホー 25 | 7420 0.55 830 871 820 865 57 6.71 0 836 佐鳥電機 26 | 7936 0.33 3295 3425 3225 3410 220 6.48 0 3301 アシックス 27 | 6963 0.61 6120 6440 6060 6380 410 6.44 0 6176 ローム 28 | 7974 0.42 22610 23945 22610 23880 1530 6.41 1 23139 任天堂 29 | 7270 0.51 3992 4110 3853 4059 257 6.36 0 3932 富士重 30 | 9766 0.36 2396 2582 2386 2563 162 6.36 0 2482 コナミ 31 | 2327 0.39 4075 4395 4070 4355 275 6.34 0 4219 新日鉄住金ソリューションズ 32 | 6645 0.52 4200 4450 4175 4445 280 6.32 0 4305 オムロン 33 | 3664 -0.01 560 595 560 591 36 6.26 0 573 モブキャスト 34 | 4968 0.43 1037 1108 1037 1105 68 6.24 0 1071 荒川化学工業 35 | 6037 0.25 1890 2020 1860 2014 124 6.21 0 1955 ファーストロジック 36 | 8043 0.33 333 344 327 340 20 6.18 0 330 スターゼン 37 | 4768 0.28 6140 6620 6120 6500 400 6.17 0 6301 大塚商会 38 | 3048 0.22 1151 1179 1119 1148 69 6.1 0 1114 ビックカメラ 39 | 6093 0.16 8850 9300 8810 9100 550 6.05 0 8850 エスクロー・エージェント・ジャパン 40 | 5929 0.45 868 940 860 927 55 6.04 0 899 三和ホールディングス 41 | 6752 0.52 1230 1300 1204 1286 76 5.99 0 1248 パナソニック 42 | 6502 0.44 353 371 347 367 21 5.99 0 357 東芝 43 | 3641 0.11 3250 3495 3105 3450 205 5.97 1 3361 パピレス 44 | 7211 0.35 880 932 876 925 54 5.95 0 898 三菱自 45 | 9600 0.46 1160 1198 1141 1197 70 5.93 0 1163 アイネット 46 | 3903 0.03 1106 1161 1089 1142 66 5.87 0 1109 gumi 47 | 2395 0.32 482 499 471 477 27 5.87 0 463 新日本科学 48 | 6289 0.11 1483 1574 1477 1544 89 5.83 0 1499 技研製作所 49 | 4231 0.32 659 699 652 692 39 5.78 0 672 タイガースポリマー 50 | 8515 0.37 450 459 440 450 25 5.78 1 437 アイフル 51 | 8137 0.49 1040 1077 1025 1070 60 5.7 0 1040 サンワテクノス 52 | 7269 0.48 3834 4038 3827 4038 226 5.62 0 3926 スズキ 53 | 3817 0.4 2015 2105 1971 2090 115 5.55 0 2034 SRAホールディングス 54 | 4812 0.35 1270 1365 1270 1343 73 5.51 0 1306 電通国際情報サービス 55 | 7014 0.42 801 841 795 837 45 5.5 0 814 名村造 56 | 2371 0.35 1825 1945 1797 1930 105 5.49 0 1878 カカクコム 57 | 8570 0.54 2528 2684 2517 2649 144 5.47 0 2578 イオンＦＳ 58 | 3668 0.33 2012 2164 2005 2143 116 5.46 1 2085 コロプラ 59 | 4307 0.55 4435 4730 4435 4690 255 5.46 0 4564 野村総研 60 | 7518 0.29 670 707 670 701 37 5.42 0 682 ネットワンシステムズ 61 | 4202 0.5 1425 1502 1420 1496 78 5.28 0 1457 ダイセル 62 | 8876 0.38 11300 11980 10910 11830 620 5.25 0 11532 リロＨＬＤ 63 | 4324 0.6 5650 5980 5650 5940 310 5.24 0 5788 電通 64 | 9983 0.67 47275 50710 46210 50620 2645 5.23 0 49303 ファストリ 65 | 4042 0.4 511 541 509 536 27 5.22 0 522 東ソー 66 | 2780 0.22 3005 3065 2900 3025 157 5.22 0 2948 エンカレッジ・テクノロジ 67 | 4726 0.48 1196 1207 1148 1207 62 5.22 0 1176 ソフトバンク・テクノロジー 68 | 4528 0.35 14310 15050 14300 14990 780 5.21 0 14606 小野薬 69 | 1952 0.37 934 949 900 942 48 5.2 0 918 新日本空調 70 | 8591 0.6 1531 1618 1525 1601 82 5.18 0 1560 オリックス 71 | 8020 0.48 171 178 170 176 8 5.11 0 172 兼松 72 | 3639 0.16 1470 1505 1407 1487 75 5.11 0 1450 ボルテージ 73 | 3788 0.39 706 747 706 745 37 5.1 0 726 GMOクラウド 74 | 3436 0.39 1050 1109 1043 1097 55 5.1 0 1069 SUMCO 75 | 3656 0.14 1436 1449 1391 1433 72 5.09 0 1398 KLab 76 | 6201 0.57 5550 5780 5500 5740 290 5.07 0 5596 豊田織 77 | 4188 0.54 645 682 641 673 33 5.05 0 657 三菱ケミＨＤ 78 | 7309 0.47 14150 14780 14080 14730 740 5.03 0 14361 シマノ 79 | 6273 0.57 27915 29085 27600 28865 1450 5.03 0 28145 ＳＭＣ 80 | 8136 0.33 3645 3820 3610 3795 190 5.03 0 3701 サンリオ 81 | 7201 0.55 1027 1076 1027 1073 53 5.03 0 1046 日産自 82 | 7177 0.29 668 708 668 700 34 5 0 683 GMOクリックホールディングス 83 | 3774 0.2 2053 2165 2025 2148 106 4.98 0 2095 ＩＩＪ 84 | 9513 0.36 3490 3655 3465 3640 180 4.97 0 3550 Ｊパワー 85 | 7248 0.44 757 792 755 788 38 4.95 0 769 カルソカンセ 86 | 6367 0.62 6920 7323 6855 7282 357 4.92 0 7104 ダイキン 87 | 9684 0.31 2898 3040 2885 3030 148 4.92 1 2957 スクウェア・エニックス・ホールディングス 88 | 2433 0.51 1142 1165 1118 1160 56 4.91 0 1132 博報堂ＤＹ 89 | 2768 0.34 242 247 235 245 11 4.9 0 239 双日 90 | 7261 0.54 2000 2063 1950 2032 98 4.87 0 1983 マツダ 91 | 3064 0.27 5960 6150 5810 6050 290 4.81 1 5915 モノタロウ 92 | 8303 0.45 241 251 239 250 11 4.8 0 244 新生銀 93 | 5411 0.43 1801 1865 1775 1859 88 4.79 0 1815 ＪＦＥ 94 | 9020 0.54 10855 11140 10625 11085 530 4.79 0 10823 ＪＲ東日本 95 | 6136 0.37 2190 2304 2189 2283 108 4.77 0 2229 ＯＳＧ 96 | 9301 0.57 1400 1457 1400 1449 68 4.76 0 1415 三菱倉庫 97 | 1808 0.48 1413 1420 1364 1412 66 4.75 0 1379 長谷工 98 | 7947 0.29 4150 4195 4035 4155 195 4.72 1 4057 エフピコ 99 | 4091 0.54 1359 1431 1351 1422 66 4.71 0 1389 大陽日酸 100 | 4348 0.28 1046 1095 1043 1086 50 4.7 0 1061 インフォコム 101 | 8425 0.53 2365 2442 2350 2432 113 4.69 0 2376 興銀リース 102 | 6954 0.58 18610 19745 18220 19665 915 4.66 0 19208 ファナック 103 | 9449 0.3 1675 1695 1605 1671 76 4.61 1 1634 ＧＭＯ 104 | 9021 0.42 7750 8034 7704 8012 367 4.59 0 7832 ＪＲ西日本 105 | 8766 0.57 4417 4623 4415 4586 208 4.56 0 4484 東京海上 106 | 9613 0.69 5260 5550 5260 5530 250 4.54 0 5405 ＮＴＴデータ 107 | 8036 0.51 2534 2655 2528 2635 118 4.52 0 2576 日立ハイテク 108 | 8593 0.59 553 582 552 577 25 4.51 0 564 三菱Ｕリース 109 | 8609 0.7 711 742 710 735 32 4.49 0 719 岡三 110 | 5631 0.5 386 407 384 403 17 4.47 0 394 日製鋼 111 | 7012 0.58 434 454 426 449 19 4.45 0 439 川重 112 | 8424 0.47 4265 4475 4265 4435 195 4.42 0 4338 芙蓉リース 113 | 7280 0.38 2011 2083 1975 2061 90 4.42 0 2016 ミツバ 114 | 4641 0.31 2285 2365 2255 2356 103 4.41 0 2306 アルプス技研 115 | 7205 0.55 1222 1283 1217 1271 55 4.41 0 1243 日野自 116 | 6758 0.41 2900 2998 2841 2963 129 4.39 0 2899 ソニー 117 | 4116 0.59 517 530 513 530 22 4.34 0 519 大日精化工業 118 | 9009 0.43 1238 1303 1237 1291 55 4.34 0 1263 京成 119 | 6586 0.4 6410 6760 6370 6700 290 4.34 0 6556 マキタ 120 | 3738 0.23 1837 1912 1837 1901 81 4.31 0 1861 ティーガイア 121 | 7606 0.22 4515 4685 4515 4670 200 4.3 0 4570 Ｕアローズ 122 | 4666 0.19 2255 2308 2241 2304 96 4.21 0 2256 パーク２４ 123 | 8356 0.61 465 482 465 481 19 4.16 0 471 十六銀 124 | 5401 0.46 235 243 233 241 9 4.15 0 236 新日鉄住金 125 | 6146 0.39 8680 9020 8580 8970 370 4.14 0 8785 ディスコ 126 | 4732 0.51 2007 2063 1966 2051 84 4.14 0 2009 ＵＳＳ 127 | 3606 0.39 141 146 141 146 5 4.11 0 143 レナウン 128 | 6727 0.16 409 426 405 420 16 4.05 0 412 ワコム 129 | 4587 0.19 14110 14920 14020 14730 590 4.01 1 14495 ペプチドリーム 130 | 8304 0.4 412 427 405 425 16 4 0 417 あおぞら銀 131 | 4612 0.41 2412 2521 2401 2504 99 3.99 0 2456 日本ペＨＤ 132 | 4927 0.33 6580 6820 6560 6800 270 3.99 0 6667 ポーラ・オルビスホールディングス 133 | 5105 0.41 2570 2660 2524 2635 104 3.98 0 2583 洋ゴム 134 | 4716 0.42 4800 4980 4800 4950 195 3.96 0 4852 日本オラクル 135 | 8308 0.6 562 583 553 582 22 3.95 0 571 りそなＨＤ 136 | 8544 0.56 584 609 584 607 23 3.95 0 595 京葉銀 137 | 1881 0.3 1910 1964 1910 1954 76 3.94 0 1916 ＮＩＰＰＯ 138 | 4507 0.49 4450 4610 4440 4600 180 3.93 0 4512 塩野義 139 | 6702 0.31 539 566 531 560 21 3.93 0 549 富士通 140 | 9005 0.54 815 844 814 842 32 3.92 0 826 東急 141 | 4208 0.37 200 205 200 204 7 3.92 0 200 宇部興 142 | 4021 0.64 2546 2673 2535 2667 103 3.9 0 2615 日産化 143 | 8088 0.48 673 694 668 693 26 3.9 0 680 岩谷産 144 | 9810 0.36 383 392 377 389 14 3.86 0 382 日鉄住金物 145 | 4578 0.42 3951 3974 3845 3914 150 3.86 0 3840 大塚ＨＤ 146 | 6971 0.65 5481 5820 5406 5787 222 3.85 0 5676 京セラ 147 | 7003 0.42 177 184 176 182 6 3.85 0 179 三井造 148 | 9022 0.51 18500 19090 18460 19030 730 3.84 0 18671 ＪＲ東海 149 | 8729 0.46 2070 2177 2068 2169 82 3.83 0 2128 ソニーＦＨ 150 | 3291 0.35 1912 1982 1889 1968 74 3.81 0 1933 飯田ＧＨＤ 151 | 8750 0.58 2064 2145 2045 2124 80 3.81 1 2084 第一生命 152 | 8411 0.65 231 237 228 236 8 3.81 0 232 みずほＦＧ 153 | 2294 0.21 1822 1870 1822 1870 70 3.8 0 1835 柿安本店 154 | 3512 0.43 492 514 488 503 18 3.78 0 494 日本フェルト 155 | 7272 0.55 2186 2260 2170 2231 83 3.77 0 2189 ヤマハ発 156 | 3092 0.31 3500 3675 3470 3640 135 3.74 0 3574 スタートトゥ 157 | 5108 0.57 3857 3962 3843 3945 145 3.7 0 3873 ブリヂストン 158 | 5706 0.35 237 246 233 244 8 3.69 0 240 三井金 159 | 5986 0.44 297 303 295 299 10 3.68 0 294 パイオラックス 160 | 8473 0.66 1402 1455 1393 1444 52 3.67 0 1418 SBIホールディングス 161 | 1801 0.46 748 767 743 765 27 3.66 0 751 大成建 162 | 9065 0.26 559 581 555 576 20 3.65 0 566 山九 163 | 8604 0.63 719 752 713 743 26 3.63 0 730 野村 164 | 6371 0.4 892 918 881 909 32 3.63 0 893 椿本チ 165 | 2413 0.31 2576 2682 2500 2669 96 3.63 0 2622 エムスリー 166 | 3086 0.53 1880 1941 1871 1928 69 3.63 0 1894 Ｊフロント 167 | 5947 0.27 8420 8730 8310 8660 310 3.59 0 8505 リンナイ 168 | 5002 0.29 963 1005 950 1003 35 3.59 0 985 昭和シェル 169 | 9003 0.53 654 675 654 671 23 3.58 0 659 相鉄ＨＤ 170 | 7593 0.18 650 677 650 673 23 3.57 0 662 ＶＴＨＤ 171 | 1812 0.35 634 649 627 646 22 3.56 0 635 鹿島 172 | 9934 0.56 3580 3725 3560 3685 130 3.55 0 3620 因幡電機産業 173 | 4217 0.61 1744 1827 1728 1810 63 3.54 0 1778 日立化 174 | 9042 0.6 700 712 692 709 24 3.53 0 697 阪急阪神 175 | 8333 0.62 605 628 603 626 21 3.51 0 615 常陽銀 176 | 3402 0.52 1001 1029 996 1026 35 3.51 0 1008 東レ 177 | 8848 0.32 530 553 527 545 18 3.49 0 536 レオパレス 178 | 7453 0.24 24630 25120 24200 25020 870 3.48 1 24592 良品計画 179 | 4613 0.51 1787 1846 1784 1838 63 3.48 0 1807 関西ペ 180 | 8316 0.61 4577 4731 4501 4718 163 3.48 0 4638 三井住友ＦＧ 181 | 8524 0.5 446 464 445 463 15 3.46 0 455 北洋銀 182 | 8377 0.61 253 261 253 260 8 3.46 0 256 ほくほくＦＧ 183 | 6448 0.43 1556 1639 1522 1621 55 3.45 0 1593 ブラザー 184 | 4506 0.46 1268 1314 1266 1308 44 3.44 0 1286 大日本住友製薬 185 | 8267 0.43 1732 1788 1724 1775 60 3.44 0 1745 イオン 186 | 2695 0.33 3150 3250 3145 3235 110 3.43 0 3180 くらコーポレーション 187 | 1719 0.34 732 734 714 728 24 3.43 0 716 安藤ハザマ 188 | 8053 0.49 1200 1231 1176 1225 41 3.43 0 1204 住友商 189 | 9001 0.49 513 527 511 526 17 3.42 0 517 東武 190 | 4569 0.39 2017 2083 2013 2074 70 3.42 0 2039 キョーリン 191 | 5196 0.3 573 595 572 587 19 3.41 0 577 鬼ゴム 192 | 9202 0.51 345 354 342 352 11 3.41 0 347 ＡＮＡＨＤ 193 | 5802 0.53 1568 1627 1552 1612 54 3.41 0 1585 住友電 194 | 9719 0.47 4010 4190 3985 4150 140 3.4 0 4080 ＳＣＳＫ 195 | 7259 0.45 4160 4330 4135 4310 145 3.39 0 4238 アイシン 196 | 8795 0.62 1530 1585 1518 1563 52 3.39 0 1537 Ｔ＆Ｄ 197 | 9048 0.45 461 473 457 472 15 3.39 0 464 名鉄 198 | 8306 0.63 750 771 733 769 25 3.38 0 757 三菱ＵＦＪ 199 | 5020 0.17 443 449 432 445 14 3.37 0 438 ＪＸ 200 | 6481 0.43 2032 2144 2017 2106 70 3.37 0 2071 ＴＨＫ 201 | 9007 0.57 1043 1074 1041 1072 35 3.36 0 1054 小田急 202 | 6268 0.45 2355 2443 2348 2428 80 3.34 0 2388 ナブテスコ 203 | 7267 0.5 3582 3689 3520 3671 121 3.32 0 3611 ホンダ 204 | 4631 0.51 264 273 262 271 8 3.32 0 267 ＤＩＣ 205 | 4719 0.33 1643 1719 1638 1698 55 3.3 0 1670 アルファシステムズ 206 | 5233 0.36 386 398 385 395 12 3.29 0 389 太平洋セメ 207 | 4151 0.43 1909 1986 1909 1973 64 3.29 0 1941 協和キリン 208 | 9787 0.3 3605 3750 3575 3725 120 3.25 0 3666 イオンディラ 209 | 7832 0.31 2598 2691 2567 2680 86 3.25 1 2637 バンナムＨＤ 210 | 9739 0.41 900 943 894 932 29 3.22 0 917 NSW 211 | 4205 0.41 970 1002 966 998 31 3.21 0 982 ゼオン 212 | 8628 0.7 972 1007 965 1004 31 3.19 0 988 松井 213 | 7741 0.49 4372 4524 4372 4496 142 3.18 0 4425 ＨＯＹＡ 214 | 8601 0.7 797 827 787 821 25 3.17 0 808 大和 215 | 6674 0.42 432 444 430 441 13 3.17 0 434 ＧＳユアサ 216 | 6326 0.56 1762 1818 1751 1800 56 3.17 0 1772 クボタ 217 | 4555 0.37 7390 7660 7380 7630 240 3.16 0 7510 沢井製薬 218 | 3636 0.4 2750 2894 2701 2824 88 3.15 0 2780 三菱総合研究所 219 | 4508 0.43 2000 2075 1986 2068 64 3.14 0 2036 田辺三菱 220 | 8897 0.39 469 493 464 479 14 3.13 0 472 タカラレーベ 221 | 6861 0.54 52520 54550 52090 54310 1700 3.13 0 53467 キーエンス 222 | 6302 0.5 496 520 482 514 15 3.11 0 506 住友重 223 | 3003 0.44 1065 1103 1053 1096 33 3.1 0 1079 ヒューリック 224 | 1878 0.34 12430 12790 12330 12705 390 3.08 0 12510 大東建 225 | 6506 0.53 1283 1343 1281 1332 40 3.08 0 1312 安川電 226 | 4708 0.27 1166 1187 1141 1171 35 3.07 0 1153 もしもしＨＬ 227 | 6856 0.5 4000 4125 3985 4100 125 3.07 0 4037 堀場製 228 | 9031 0.47 570 589 570 587 17 3.07 0 578 西鉄 229 | 8253 0.58 2238 2351 2235 2324 70 3.06 0 2289 クレセゾン 230 | 9468 0.21 1378 1427 1354 1414 42 3.04 0 1393 カドカワドワンゴ 231 | 8385 0.63 1288 1325 1288 1322 39 3.03 0 1302 伊予銀 232 | 3116 0.51 1900 1961 1892 1946 58 3.03 0 1917 トヨタ紡織 233 | 1417 0.34 1069 1112 1069 1094 32 3.02 0 1078 ミライト・ホールディングス 234 | 6395 0.33 1570 1618 1554 1602 47 3 0 1578 タダノ 235 | 6923 0.41 2243 2326 2240 2304 68 2.99 0 2270 スタンレー 236 | 2359 0.32 795 808 791 803 23 2.99 0 791 コア 237 | 6501 0.6 654 676 639 672 19 2.98 0 663 日立 238 | 6755 0.3 1410 1460 1407 1442 42 2.98 0 1421 富士通ゼ 239 | 9742 0.41 963 980 941 976 28 2.97 0 962 アイネス 240 | 8051 0.53 889 919 887 908 26 2.97 0 895 山善 241 | 8379 0.59 619 640 616 639 18 2.97 0 630 広島銀 242 | 9062 0.53 559 574 555 573 16 2.97 0 565 日通 243 | 1951 0.44 1175 1218 1172 1212 35 2.97 0 1194 協エクシオ 244 | 9531 0.46 623 643 622 641 18 2.96 0 632 東ガス 245 | 7013 0.55 364 375 363 371 10 2.96 0 366 ＩＨＩ 246 | 2674 0.45 1390 1448 1368 1422 41 2.95 0 1402 ハードオフコーポレーション 247 | 8002 0.49 632 647 628 644 18 2.95 0 635 丸紅 248 | 3099 0.51 1834 1881 1821 1871 54 2.94 0 1844 三越伊勢丹 249 | 8058 0.42 2100 2153 2058 2145 62 2.94 0 2114 三菱商 250 | 9045 0.51 733 756 732 751 21 2.93 0 740 京阪電 251 | 3382 0.57 5040 5195 5023 5144 149 2.92 0 5070 セブン＆アイ 252 | 3141 0.26 5010 5050 4940 5040 145 2.9 0 4969 ウエルシア 253 | 5201 0.43 710 735 697 727 20 2.89 0 717 旭硝子 254 | 4689 0.44 471 490 465 486 13 2.88 0 479 ヤフー 255 | 6474 0.43 540 560 529 556 15 2.88 0 548 不二越 256 | 1983 0.15 1160 1192 1143 1186 33 2.87 0 1169 東芝プラ 257 | 5970 0.38 1221 1227 1178 1193 33 2.85 0 1176 ジーテクト 258 | 2131 0.19 1169 1194 1163 1191 33 2.85 0 1174 アコーディア 259 | 7240 0.49 2775 2870 2757 2828 79 2.83 0 2788 ＮＯＫ 260 | 8327 0.51 308 318 306 318 8 2.83 0 314 西日シ銀 261 | 7203 0.64 6825 6980 6789 6920 195 2.83 0 6823 トヨタ 262 | 9375 0.49 4325 4485 4320 4450 125 2.83 0 4388 近鉄エクス 263 | 4503 0.49 1701 1780 1664 1768 49 2.83 0 1743 アステラス 264 | 8331 0.63 820 849 815 848 23 2.83 0 836 千葉銀 265 | 6370 0.45 2401 2471 2386 2450 68 2.82 0 2416 栗田工 266 | 6651 0.5 2204 2287 2184 2266 63 2.82 0 2234 日東工業 267 | 3626 0.35 2588 2657 2571 2636 73 2.81 0 2599 ITホールディングス 268 | 8332 0.57 694 714 686 713 19 2.81 0 704 横浜銀 269 | 6460 0.4 1176 1223 1172 1213 33 2.8 0 1196 セガサミー 270 | 6463 0.48 2684 2785 2665 2751 76 2.8 0 2713 ＴＰＲ 271 | 4114 0.3 1717 1758 1701 1754 48 2.79 0 1730 日触媒 272 | 6504 0.47 455 470 453 467 12 2.78 0 461 富士電機 273 | 8354 0.58 561 578 558 576 15 2.78 0 568 ふくおかＦＧ 274 | 7282 0.53 2265 2338 2252 2319 63 2.76 0 2287 豊田合 275 | 6479 0.41 1482 1546 1476 1527 41 2.75 0 1506 ミネベア 276 | 6952 0.42 2193 2304 2158 2254 61 2.75 0 2224 カシオ 277 | 8359 0.57 780 804 780 803 21 2.74 0 792 八十二 278 | 8418 0.59 1419 1464 1419 1463 39 2.73 0 1443 山口ＦＧ 279 | 8840 0.47 178 185 178 184 4 2.72 0 182 大京 280 | 6366 0.32 829 857 810 853 22 2.7 0 842 千代建 281 | 7278 0.45 2596 2690 2580 2666 71 2.7 0 2630 エクセディ 282 | 4902 0.55 1254 1307 1253 1303 34 2.69 0 1286 コニカミノル 283 | 9008 0.56 876 898 876 894 23 2.68 0 882 京王 284 | 9936 0.32 3770 3810 3715 3800 100 2.66 0 3750 王将フード 285 | 2809 0.33 2420 2461 2393 2451 64 2.65 0 2419 キユーピー 286 | 4061 0.57 482 495 475 494 12 2.63 0 488 電化 287 | 5949 0.35 2159 2224 2143 2203 57 2.63 0 2174 ユニプレス 288 | 5214 0.37 513 535 505 533 13 2.63 0 526 日電硝 289 | 7245 0.46 1005 1043 999 1027 26 2.63 0 1014 大同メ 290 | 5334 0.42 2840 2967 2834 2936 76 2.62 0 2898 特殊陶 291 | 8616 0.65 750 775 743 768 19 2.6 0 758 東海東京 292 | 8697 0.66 3390 3545 3365 3505 90 2.6 0 3460 日本取引所 293 | 6741 0.46 1060 1095 1053 1082 27 2.59 0 1068 日本信号 294 | 5471 0.38 419 430 413 427 10 2.58 0 422 大同特鋼 295 | 8233 0.5 1026 1047 1016 1045 26 2.58 0 1032 高島屋 296 | 8439 0.56 3445 3560 3415 3535 90 2.57 0 3490 ＴＣリース 297 | 4842 0.23 310 315 307 312 7 2.56 0 308 ＵＳＥＮ 298 | 6412 0.38 2300 2349 2287 2347 59 2.56 0 2317 平和 299 | 8282 0.3 3685 3780 3635 3745 95 2.56 0 3697 ケーズＨＤ 300 | 7458 0.2 4300 4395 4290 4365 110 2.54 0 4310 第一興商 301 | 4519 0.59 4245 4430 4230 4420 110 2.51 0 4365 中外薬 302 | 4901 0.53 4613 4702 4526 4686 116 2.5 0 4629 富士フイルム 303 | 4298 0.17 1601 1670 1598 1640 40 2.5 0 1620 プロトコーポレーション 304 | 6503 0.59 1140 1181 1133 1174 28 2.47 0 1160 三菱電 305 | 3407 0.58 911 939 905 933 22 2.47 0 922 旭化成 306 | 8309 0.59 482 491 470 487 11 2.46 0 482 三井住友トラ 307 | 7595 0.47 1642 1686 1640 1669 40 2.46 0 1649 アルゴグラフィックス 308 | 3911 0.18 1186 1247 1166 1226 29 2.45 1 1211 Aiming 309 | 8012 0.67 1356 1400 1349 1391 33 2.44 0 1374 長瀬産業 310 | 5711 0.43 362 372 358 369 8 2.44 0 365 三菱マ 311 | 9064 0.47 2208 2286 2204 2277 54 2.42 0 2250 ヤマトＨＤ 312 | 3405 0.62 1384 1417 1371 1412 33 2.41 0 1395 クラレ 313 | 8382 0.58 1640 1674 1625 1670 39 2.4 0 1650 中国銀 314 | 2317 0.41 1067 1093 1050 1086 25 2.39 0 1073 システナ 315 | 4521 0.31 5460 5550 5360 5490 130 2.39 1 5429 科研薬 316 | 7276 0.49 3770 3885 3755 3825 90 2.38 0 3780 小糸製 317 | 2914 0.36 4070 4105 3965 4080 96 2.38 0 4032 ＪＴ 318 | 8031 0.4 1467 1494 1450 1489 34 2.35 0 1472 三井物 319 | 1928 0.46 1680 1718 1662 1708 39 2.34 0 1688 積ハウス 320 | 8566 0.55 3200 3285 3200 3255 75 2.33 0 3217 リコーリース 321 | 8334 0.57 757 774 752 772 17 2.33 0 763 群馬銀 322 | 2503 0.48 1645 1678 1637 1672 38 2.33 0 1653 キリンＨＤ 323 | 4684 0.44 5100 5280 5100 5200 120 2.33 0 5140 オービック 324 | 9603 0.33 3905 3995 3890 3930 90 2.32 0 3885 ＨＩＳ 325 | 6703 0.43 214 220 213 217 4 2.3 0 215 ＯＫＩ 326 | 9989 0.34 6380 6610 6370 6580 150 2.29 0 6506 サンドラッグ 327 | 6417 0.38 4330 4435 4310 4430 100 2.28 0 4380 ＳＡＮＫＹＯ 328 | 8586 0.44 2761 2846 2741 2824 63 2.27 0 2792 日立キャピ 329 | 3349 0.15 14230 14670 14190 14620 330 2.26 0 14455 コスモス薬品 330 | 4793 0.14 886 900 886 890 19 2.25 0 880 富士通ビー・エス・シー 331 | 7731 0.4 1497 1527 1466 1516 33 2.24 0 1499 ニコン 332 | 8801 0.62 3242 3304 3166 3272 72 2.23 0 3236 三井不 333 | 8129 0.29 2520 2593 2500 2556 56 2.23 0 2528 東邦ＨＤ 334 | 8001 0.4 1335 1361 1312 1349 29 2.22 0 1334 伊藤忠 335 | 6465 0.45 7100 7290 6980 7260 160 2.22 0 7180 ホシザキ電機 336 | 8214 0.34 1403 1424 1385 1409 30 2.2 0 1394 ＡＯＫＩＨＤ 337 | 4534 0.5 7230 7380 7080 7320 160 2.2 0 7240 持田薬 338 | 4523 0.45 7466 7659 7426 7630 166 2.19 0 7548 エーザイ 339 | 4004 0.43 137 138 134 137 2 2.19 0 136 昭電工 340 | 9041 0.49 409 415 407 414 8 2.17 0 410 近鉄ＧＨＤ 341 | 4204 0.56 1265 1301 1264 1292 27 2.17 0 1278 積水化 342 | 9682 0.38 2508 2581 2499 2562 54 2.15 0 2535 DTS 343 | 2267 0.47 6480 6660 6460 6550 140 2.15 0 6481 ヤクルト 344 | 4704 0.61 4110 4270 4110 4245 90 2.14 0 4200 トレンド 345 | 1721 0.36 1413 1465 1412 1464 30 2.12 0 1449 コムシスＨＤ 346 | 7262 0.27 1438 1469 1419 1467 30 2.11 0 1452 ダイハツ 347 | 7988 0.45 4500 4595 4455 4570 95 2.1 1 4523 ニフコ 348 | 4530 0.37 4085 4165 4050 4090 85 2.1 0 4048 久光薬 349 | 6361 0.3 469 479 463 478 9 2.09 0 473 荏原 350 | 5713 0.35 1406 1445 1379 1433 29 2.09 0 1418 住友鉱 351 | 8273 0.45 5020 5090 4960 5060 105 2.09 0 5008 イズミ 352 | 8056 0.44 1253 1284 1235 1253 25 2.08 1 1240 日本ユニシス 353 | 7860 0.2 1487 1517 1480 1500 30 2.07 0 1485 エイベＧＨＤ 354 | 7483 0.41 2026 2083 2026 2060 41 2.04 0 2039 ドウシシャ 355 | 3197 0.25 1682 1722 1655 1714 34 2.04 0 1697 すかいらーく 356 | 8270 0.45 739 748 727 746 14 2.01 0 739 ユニーＧＨＤ 357 | 1605 0.26 1118 1155 1103 1145 22 2.01 0 1134 国際石開帝石 358 | 4634 0.61 444 449 438 448 8 2.01 0 444 洋インキＨＤ 359 | 9831 0.33 444 456 433 451 8 2 0 447 ヤマダ電 360 | 5857 0.34 1685 1715 1651 1710 33 1.99 0 1693 アサヒＨＤ 361 | 4063 0.63 6440 6607 6360 6573 130 1.99 0 6508 信越化 362 | 2702 0.23 2606 2622 2584 2615 51 1.99 0 2589 マクドナルド 363 | 7520 0.32 1096 1143 1077 1111 21 1.98 0 1100 エコス 364 | 4540 0.36 2565 2618 2556 2602 50 1.96 0 2577 ツムラ 365 | 4837 0.18 503 511 502 511 9 1.96 0 506 シダックス 366 | 6902 0.67 5134 5290 5101 5248 102 1.96 0 5197 デンソー 367 | 4581 0.49 7610 7790 7580 7720 150 1.96 0 7645 大正薬ＨＤ 368 | 5991 0.41 1112 1146 1106 1137 21 1.93 0 1126 ニッパツ 369 | 2269 0.46 18200 18400 17880 18310 350 1.92 0 18145 明治ＨＤ 370 | 8015 0.61 2574 2660 2563 2652 50 1.92 0 2627 豊田通商 371 | 8358 0.6 2204 2248 2189 2237 42 1.92 0 2216 スルガ銀 372 | 2915 0.31 1594 1616 1570 1592 29 1.88 0 1577 ケンコーマヨネーズ 373 | 1925 0.56 2728 2798 2706 2777 51 1.87 0 2752 ハウス 374 | 4755 0.38 1608 1633 1563 1623 29 1.85 0 1609 楽天 375 | 2229 0.38 4340 4460 4335 4405 80 1.84 0 4365 カルビー 376 | 8355 0.62 1218 1251 1211 1247 22 1.84 0 1236 静岡銀 377 | 4527 0.34 1992 2046 1988 2019 36 1.83 0 2001 ロート 378 | 7459 0.47 1973 2028 1964 2008 35 1.79 0 1990 メディパル 379 | 8508 0.26 940 963 916 956 16 1.78 1 948 Ｊトラスト 380 | 5938 0.29 2361 2379 2312 2375 41 1.77 0 2354 ＬＩＸＩＬグ 381 | 7011 0.56 561 572 549 566 9 1.77 0 561 三菱重 382 | 2181 0.37 4790 4920 4730 4875 85 1.76 0 4833 テンプＨＤ 383 | 8830 0.62 3890 4024 3814 3986 69 1.76 0 3952 住友不 384 | 7701 0.49 1650 1685 1633 1675 28 1.73 0 1661 島津製作所 385 | 9364 0.51 960 997 956 991 16 1.72 0 983 上組 386 | 7242 0.48 347 355 342 350 5 1.71 0 347 ＫＹＢ 387 | 9532 0.45 470 478 461 477 7 1.68 0 473 大ガス 388 | 8184 0.43 2936 2936 2831 2876 47 1.67 0 2852 島忠 389 | 4185 0.42 1829 1883 1812 1869 30 1.66 0 1854 ＪＳＲ 390 | 3088 0.29 5530 5640 5420 5620 90 1.62 0 5576 マツキヨＨＤ 391 | 4206 0.47 2411 2471 2372 2435 38 1.6 0 2416 アイカ 392 | 2331 0.4 4740 4835 4710 4810 75 1.58 1 4773 ALSOK 393 | 1722 0.45 817 833 801 829 12 1.57 0 823 ミサワホーム 394 | 8802 0.53 2493 2585 2460 2561 39 1.56 0 2541 菱地所 395 | 4761 -0.11 624 649 624 643 9 1.56 0 638 さくらケーシーエス 396 | 8218 0.34 2546 2583 2522 2574 39 1.55 0 2554 コメリ 397 | 1802 0.43 971 992 967 977 14 1.54 0 970 大林組 398 | 4088 0.58 1878 1917 1852 1907 28 1.52 0 1893 エアウォータ 399 | 4681 0.37 3060 3120 3010 3060 45 1.5 0 3038 リゾートトラ 400 | 5393 0.34 734 746 728 739 10 1.49 0 734 ニチアス 401 | 9735 0.72 7214 7420 7165 7397 109 1.49 0 7342 セコム 402 | 1963 0.25 1710 1768 1694 1747 25 1.49 0 1735 日揮 403 | 4912 0.4 1020 1048 1019 1033 14 1.45 0 1026 ライオン 404 | 7279 0.34 3500 3625 3495 3550 50 1.44 0 3525 ハイレックスコーポレーション 405 | 2782 0.04 5590 5630 5450 5610 80 1.44 1 5570 セリア 406 | 4502 0.51 5701 5817 5673 5770 80 1.4 0 5730 武田 407 | 1911 0.61 1275 1296 1253 1292 17 1.39 0 1283 住友林 408 | 5110 0.46 1640 1675 1640 1661 22 1.38 0 1650 住友ゴ 409 | 3289 0.54 796 813 778 803 10 1.37 0 798 東急不ＨＤ 410 | 9432 0.4 8953 9147 8939 9075 122 1.36 1 8824 ＮＴＴ 411 | 4544 0.5 4910 5040 4885 5000 65 1.32 0 4967 みらかＨＤ 412 | 6473 0.52 1637 1688 1617 1670 20 1.26 0 1660 ジェイテクト 413 | 3659 0.35 1530 1574 1486 1525 18 1.25 0 1516 ネクソン 414 | 7751 0.43 3590 3620 3523 3595 44 1.25 0 3573 キヤノン 415 | 4201 0.38 825 837 808 822 9 1.22 0 817 日合成 416 | 8227 0.33 10910 11040 10720 10970 130 1.19 0 10905 しまむら 417 | 4568 0.4 2216 2243 2153 2220 25 1.17 0 2207 第一三共 418 | 9783 0.37 3055 3100 3010 3080 35 1.17 0 3062 ベネッセＨＤ 419 | 9076 0.25 1311 1333 1290 1324 14 1.13 0 1317 セイノーホールディングス 420 | 2282 0.35 2652 2711 2648 2665 29 1.13 0 2650 日ハム 421 | 7752 0.35 1127 1169 1092 1158 12 1.12 1 1152 リコー 422 | 2681 0.29 1733 1750 1701 1714 18 1.11 0 1705 ゲオＨＤ 423 | 9437 0.38 2442 2471 2385 2427 26 1.11 0 2414 ＮＴＴドコモ 424 | 7649 0.36 5560 5660 5510 5570 60 1.1 0 5540 スギＨＤ 425 | 5714 0.51 998 1016 986 1006 10 1.09 0 1001 ＤＯＷＡ 426 | 4452 0.45 5332 5450 5311 5389 57 1.08 0 5360 花王 427 | 9086 0.42 1904 1961 1898 1944 20 1.08 0 1934 日立物流 428 | 6841 0.55 1370 1412 1350 1403 14 1.07 0 1396 横河電 429 | 9435 0.22 7700 7790 7570 7690 80 1.05 0 7650 光通信 430 | 7451 0.38 2365 2399 2343 2391 24 1.05 0 2379 三菱食品 431 | 7628 0.44 1350 1395 1348 1366 13 1.02 0 1359 オーハシテクニカ 432 | 9843 0.43 9180 9400 9120 9260 90 0.98 0 9215 ニトリＨＤ 433 | 2502 0.4 3680 3732 3641 3710 35 0.97 0 3692 アサヒ 434 | 2802 0.52 2444 2501 2430 2468 23 0.97 0 2457 味の素 435 | 8028 0.31 5270 5330 5230 5310 50 0.96 0 5285 ファミリーＭ 436 | 2726 0.17 3415 3525 3385 3445 30 0.9 0 3430 パル 437 | 8114 0.46 1585 1622 1577 1600 13 0.88 0 1593 デサント 438 | 2670 0.27 6890 7070 6720 7050 60 0.87 0 7020 ＡＢＣマート 439 | 2871 0.47 695 709 691 705 5 0.85 0 702 ニチレイ 440 | 7313 0.38 3100 3145 3050 3100 25 0.84 0 3087 ＴＳテック 441 | 5019 0.18 1914 1943 1867 1933 15 0.83 0 1925 出光興産 442 | 4543 0.69 3100 3185 3075 3160 25 0.82 0 3147 テルモ 443 | 3391 0.28 9390 9560 9200 9380 70 0.76 0 9345 ツルハＨＤ 444 | 5486 0.4 1474 1491 1438 1482 10 0.74 0 1477 日立金 445 | 8933 0.5 1074 1087 1045 1084 7 0.74 0 1080 ＮＴＴ都市 446 | 6869 0.48 7300 7460 7190 7310 50 0.7 0 7285 シスメックス 447 | 4272 0.5 1170 1190 1141 1177 7 0.68 0 1173 日化薬 448 | 8905 0.44 1937 1969 1919 1953 12 0.67 0 1947 イオンモール 449 | 6471 0.53 1494 1533 1485 1514 9 0.66 0 1509 日精工 450 | 3231 0.47 2210 2261 2181 2233 11 0.54 0 2227 野村不ＨＤ 451 | 9640 0.11 1155 1171 1153 1157 5 0.52 0 1154 セゾン情報システムズ 452 | 2432 0.34 2093 2133 2060 2117 10 0.52 1 2112 ディーエヌエ 453 | 9602 0.45 2637 2655 2590 2637 12 0.49 0 2631 東宝 454 | 4967 0.41 8980 9110 8930 9050 40 0.45 1 9030 小林製薬 455 | 9404 0.43 1983 2044 1963 2032 8 0.44 0 2028 日テレＨＤ 456 | 7532 0.36 10460 10630 10460 10500 40 0.39 1 10228 ドンキＨＤ 457 | 9948 0.33 2314 2343 2282 2322 7 0.34 0 2318 アークス 458 | 8870 0.43 3070 3115 3045 3075 5 0.2 0 3072 住友販売 459 | 5012 0.23 1131 1142 1106 1120 1 0.18 1 1119 東燃ゼネ 460 | 3360 0.44 2550 2593 2523 2546 3 0.16 0 2544 シップＨＤ 461 | 5186 0.65 2760 2810 2713 2769 2 0.11 0 2768 ニッタ 462 | 3861 0.38 546 553 538 549 -1 0 0 549 王子ＨＤ 463 | 9962 0.47 5480 5550 5450 5480 -10 -0.16 1 5475 ミスミＧ 464 | 3632 0.2 562 570 556 559 -2 -0.18 0 559 グリー 465 | 2875 0.4 4280 4350 4255 4295 -10 -0.21 0 4299 東洋水 466 | 6305 0.52 1701 1728 1654 1705 -5 -0.23 0 1707 日立建機 467 | 9984 0.44 6928 6960 6792 6870 -20 -0.28 0 6879 ソフトバンク 468 | 2651 0.37 8400 8460 8270 8430 -30 -0.34 0 8444 ローソン 469 | 2897 0.41 5510 5570 5450 5490 -20 -0.35 0 5499 日清食ＨＤ 470 | 2801 0.6 3610 3695 3555 3625 -15 -0.39 0 3632 キッコマン 471 | 6256 0.26 4300 4465 4235 4380 -20 -0.43 0 4389 ニューフレア 472 | 9956 0.4 3455 3585 3330 3360 -30 -0.86 0 3374 バロー 473 | 5332 0.49 1769 1784 1713 1760 -17 -0.91 0 1768 ＴＯＴＯ 474 | 6754 0.29 773 774 751 767 -9 -1.04 0 771 アンリツ 475 | 9069 0.36 830 838 803 820 -11 -1.22 0 825 センコー 476 | 9422 0.33 1266 1285 1222 1224 -17 -1.31 0 1232 コネクシオ 477 | 4676 0.26 1378 1384 1323 1365 -19 -1.32 0 1374 フジＨＤ 478 | 7296 0.33 1812 1815 1774 1786 -26 -1.4 0 1798 ＦＣＣ 479 | 4751 0.39 4850 4915 4710 4820 -70 -1.43 1 4854 サイバー 480 | 4832 0.05 1120 1120 1101 1101 -19 -1.63 0 1110 JFEシステムズ 481 | 6301 0.45 1966 1984 1891 1962 -38 -1.89 0 1981 コマツ 482 | 4283 0.55 3820 3825 3765 3775 -95 -2.49 0 3942 パナソニックIS 483 | 2593 0.34 2684 2700 2556 2589 -95 -3.63 0 2635 伊藤園 484 | 5101 0.45 1361 1361 1317 1319 -59 -4.4 1 1336 浜ゴム 485 | -------------------------------------------------------------------------------- /ruby/jpstock/data/summary.csv.20150827.csv: -------------------------------------------------------------------------------- 1 | Code Corr Open High Low Close Change Ratio Trend Pred Name 2 | 6037 0.25 2074 2220 2051 2210 196 8.91 1 2118 ファーストロジック 3 | 4832 0.06 1159 1198 1158 1190 89 7.56 0 1145 JFEシステムズ 4 | 6256 0.26 4590 4760 4505 4680 300 6.43 0 4530 ニューフレア 5 | 3903 0.04 1300 1320 1185 1215 73 6.09 1 1178 gumi 6 | 6093 0.17 8850 9300 8810 9100 550 6.05 0 8850 エスクロー・エージェント・ジャパン 7 | 2801 0.6 3695 3880 3670 3845 220 5.75 0 3736 キッコマン 8 | 7309 0.47 15320 15960 15310 15610 880 5.64 1 15173 シマノ 9 | 3141 0.27 5320 5520 5280 5340 300 5.64 1 5194 ウエルシア 10 | 9843 0.43 9460 9970 9460 9810 550 5.62 1 9540 ニトリＨＤ 11 | 4348 0.28 1130 1176 1123 1149 63 5.57 1 1118 インフォコム 12 | 2809 0.33 2520 2641 2510 2590 139 5.41 1 2522 キユーピー 13 | 8697 0.66 3635 3725 3630 3690 185 5.04 1 3599 日本取引所 14 | 7276 0.49 4020 4120 3995 4025 200 4.99 1 3926 小糸製 15 | 9682 0.39 2647 2718 2642 2691 129 4.83 1 2627 DTS 16 | 1802 0.43 993 1036 991 1025 48 4.78 1 1001 大林組 17 | 2331 0.4 4975 5140 4960 5050 240 4.77 1 4933 ALSOK 18 | 2269 0.46 18820 19490 18740 19200 890 4.64 1 18765 明治ＨＤ 19 | 4927 0.33 7200 7260 7040 7120 320 4.51 1 6963 ポーラ・オルビスホールディングス 20 | 1925 0.57 2853 2944 2846 2907 130 4.51 1 2843 ハウス 21 | 3659 0.35 1585 1636 1573 1595 70 4.45 1 1563 ネクソン 22 | 7741 0.49 4608 4765 4608 4695 199 4.26 1 4596 ＨＯＹＡ 23 | 4544 0.5 5120 5330 5120 5220 220 4.23 1 5111 みらかＨＤ 24 | 3626 0.36 2700 2777 2700 2751 115 4.22 1 2694 ITホールディングス 25 | 2681 0.29 1769 1831 1751 1788 74 4.19 1 1752 ゲオＨＤ 26 | 8766 0.57 4763 4863 4730 4784 198 4.16 1 4687 東京海上 27 | 4298 0.18 1680 1735 1678 1710 70 4.15 1 1675 プロトコーポレーション 28 | 3788 0.39 767 790 757 776 31 4.12 1 760 GMOクラウド 29 | 6460 0.4 1240 1271 1237 1264 51 4.11 1 1238 セガサミー 30 | 7240 0.5 2908 2977 2891 2948 120 4.1 1 2888 ＮＯＫ 31 | 4452 0.45 5560 5716 5560 5617 228 4.08 1 5504 花王 32 | 9437 0.38 2459 2574 2451 2529 102 4.07 1 2478 ＮＴＴドコモ 33 | 2802 0.52 2527 2598 2522 2571 103 4.05 1 2520 味の素 34 | 2229 0.38 4500 4645 4500 4590 185 4.05 1 4498 カルビー 35 | 8508 0.26 980 999 967 995 39 4.02 1 975 Ｊトラスト 36 | 4587 0.19 14110 14920 14020 14730 590 4.01 1 14495 ペプチドリーム 37 | 4641 0.31 2405 2483 2405 2453 97 4 1 2407 アルプス技研 38 | 3391 0.29 9490 9880 9460 9770 390 4 1 9578 ツルハＨＤ 39 | 2502 0.41 3775 3901 3740 3863 153 3.99 1 3787 アサヒ 40 | 4202 0.5 1538 1595 1532 1557 61 3.98 1 1526 ダイセル 41 | 2282 0.36 2707 2789 2707 2772 107 3.9 1 2718 日ハム 42 | 9739 0.41 992 993 956 968 36 3.82 1 950 NSW 43 | 4206 0.48 2479 2587 2450 2529 94 3.76 1 2482 アイカ 44 | 7177 0.3 725 731 722 726 26 3.72 1 713 GMOクリックホールディングス 45 | 9640 0.11 1187 1200 1187 1200 43 3.67 1 1178 セゾン情報システムズ 46 | 1719 0.34 749 772 749 754 26 3.58 1 741 安藤ハザマ 47 | 1928 0.47 1741 1785 1739 1770 62 3.56 1 1739 積ハウス 48 | 2267 0.47 6780 6910 6730 6790 240 3.55 1 6672 ヤクルト 49 | 2412 0.25 2200 2242 2110 2171 76 3.55 1 2137 ベネフィット・ワン 50 | 9989 0.35 6680 6880 6660 6820 240 3.53 1 6702 サンドラッグ 51 | 8876 0.38 12650 12650 12210 12260 430 3.52 1 12054 リロＨＬＤ 52 | 2327 0.4 4425 4625 4370 4510 155 3.46 1 4434 新日鉄住金ソリューションズ 53 | 6952 0.42 2320 2375 2264 2332 78 3.39 1 2293 カシオ 54 | 2897 0.41 5590 5730 5550 5680 190 3.36 0 5585 日清食ＨＤ 55 | 4188 0.54 694 707 690 695 22 3.31 1 684 三菱ケミＨＤ 56 | 8439 0.56 3580 3690 3570 3655 120 3.31 1 3596 ＴＣリース 57 | 8897 0.39 495 507 488 494 15 3.24 1 486 タカラレーベ 58 | 1808 0.48 1447 1484 1445 1458 46 3.22 1 1435 長谷工 59 | 8905 0.45 2011 2047 2002 2017 64 3.22 1 1985 イオンモール 60 | 8253 0.58 2383 2435 2377 2400 76 3.21 1 2362 クレセゾン 61 | 8218 0.35 2620 2692 2609 2658 84 3.2 1 2616 コメリ 62 | 8358 0.6 2285 2347 2280 2310 73 3.2 1 2274 スルガ銀 63 | 5233 0.37 398 413 397 407 12 3.19 1 401 太平洋セメ 64 | 8570 0.54 2762 2783 2696 2735 86 3.18 1 2693 イオンＦＳ 65 | 9719 0.47 4290 4350 4245 4285 135 3.17 1 4218 ＳＣＳＫ 66 | 4272 0.5 1202 1222 1187 1214 37 3.13 1 1195 日化薬 67 | 7245 0.46 1048 1076 1037 1059 32 3.12 1 1043 大同メ 68 | 8129 0.3 2606 2721 2606 2636 80 3.07 1 2596 東邦ＨＤ 69 | 4634 0.61 452 464 450 461 13 3.04 1 454 洋インキＨＤ 70 | 7649 0.37 5700 5810 5670 5740 170 2.98 1 5655 スギＨＤ 71 | 6755 0.3 1476 1516 1475 1485 43 2.96 1 1464 富士通ゼ 72 | 4201 0.38 843 859 825 846 24 2.96 1 834 日合成 73 | 3197 0.26 1755 1775 1737 1765 51 2.95 1 1739 すかいらーく 74 | 4543 0.68 3240 3300 3225 3255 95 2.95 1 3207 テルモ 75 | 5947 0.28 8810 9120 8770 8920 260 2.93 1 8791 リンナイ 76 | 1801 0.46 780 795 770 787 22 2.92 1 776 大成建 77 | 6758 0.42 3083 3136 3043 3051 88 2.92 1 3007 ソニー 78 | 8411 0.65 244 245 240 242 6 2.89 1 239 みずほＦＧ 79 | 4681 0.37 3130 3200 3105 3150 90 2.89 1 3106 リゾートトラ 80 | 7593 0.18 685 701 682 692 19 2.89 1 682 ＶＴＨＤ 81 | 8750 0.58 2174 2219 2152 2186 62 2.88 1 2155 第一生命 82 | 2695 0.33 3340 3380 3305 3330 95 2.88 1 3283 くらコーポレーション 83 | 4761 -0.1 662 662 660 661 18 2.87 1 652 さくらケーシーエス 84 | 7459 0.48 2048 2109 2048 2065 57 2.81 1 2037 メディパル 85 | 2503 0.48 1700 1737 1682 1719 47 2.79 1 1696 キリンＨＤ 86 | 1721 0.36 1488 1510 1471 1505 41 2.79 1 1484 コムシスＨＤ 87 | 8020 0.48 184 184 178 180 4 2.78 1 178 兼松 88 | 5012 0.22 1143 1164 1131 1151 31 2.78 1 1135 東燃ゼネ 89 | 3291 0.35 2008 2058 1999 2023 55 2.77 1 1997 飯田ＧＨＤ 90 | 8424 0.47 4570 4630 4530 4560 125 2.76 1 4498 芙蓉リース 91 | 9603 0.33 4070 4090 4010 4040 110 2.75 1 3985 ＨＩＳ 92 | 2875 0.41 4345 4525 4330 4415 120 2.74 0 4355 東洋水 93 | 3048 0.22 1200 1222 1171 1179 31 2.71 1 1163 ビックカメラ 94 | 8933 0.5 1097 1132 1097 1113 29 2.7 1 1098 ＮＴＴ都市 95 | 8848 0.32 553 563 552 559 14 2.68 1 552 レオパレス 96 | 3606 0.39 149 153 149 149 3 2.68 1 147 レナウン 97 | 8331 0.63 863 881 859 870 22 2.64 1 859 千葉銀 98 | 2871 0.48 719 738 716 723 18 2.63 1 714 ニチレイ 99 | 9742 0.41 998 1036 992 1001 25 2.6 1 988 アイネス 100 | 8515 0.37 458 466 438 461 11 2.6 1 455 アイフル 101 | 2914 0.36 4179 4292 4176 4187 107 2.58 1 4134 ＪＴ 102 | 8316 0.61 4858 4950 4830 4842 124 2.58 1 4781 三井住友ＦＧ 103 | 4116 0.59 539 564 537 543 13 2.58 1 536 大日精化工業 104 | 1911 0.61 1307 1342 1307 1325 33 2.57 1 1308 住友林 105 | 3907 0.22 3970 4055 3855 3940 100 2.56 1 3890 シリコンスタジオ 106 | 4812 0.35 1373 1425 1359 1377 34 2.54 1 1360 電通国際情報サービス 107 | 4631 0.51 276 279 274 277 6 2.53 1 274 ＤＩＣ 108 | 3742 0.17 1050 1119 1050 1073 26 2.52 1 1062 ITbook 109 | 4666 0.2 2337 2400 2337 2362 58 2.5 1 2333 パーク２４ 110 | 9009 0.43 1326 1344 1311 1323 32 2.49 1 1307 京成 111 | 9301 0.57 1466 1498 1459 1485 36 2.49 1 1467 三菱倉庫 112 | 8051 0.53 930 942 914 930 22 2.47 1 919 山善 113 | 3738 0.24 1931 1984 1931 1948 47 2.46 1 1925 ティーガイア 114 | 7701 0.49 1721 1763 1707 1716 41 2.45 1 1696 島津製作所 115 | 1812 0.36 657 668 653 661 15 2.42 1 653 鹿島 116 | 4204 0.56 1309 1345 1309 1323 31 2.42 1 1307 積水化 117 | 4755 0.38 1663 1687 1646 1662 39 2.41 1 1642 楽天 118 | 6094 -0.01 1450 1498 1420 1454 34 2.41 1 1437 フリークアウト 119 | 7313 0.39 3160 3225 3130 3175 75 2.39 1 3138 ＴＳテック 120 | 3402 0.52 1055 1073 1045 1050 24 2.38 1 1038 東レ 121 | 9404 0.43 2066 2110 2061 2080 48 2.36 1 2056 日テレＨＤ 122 | 8036 0.51 2685 2751 2682 2697 62 2.34 1 2666 日立ハイテク 123 | 8524 0.5 473 491 472 473 10 2.33 1 468 北洋銀 124 | 7832 0.31 2710 2764 2687 2743 63 2.33 1 2711 バンナムＨＤ 125 | 9022 0.51 19585 19995 19425 19480 450 2.32 1 19259 ＪＲ東海 126 | 1983 0.15 1206 1213 1178 1213 27 2.31 1 1199 東芝プラ 127 | 8410 0.39 529 533 516 520 11 2.31 1 514 セブン銀 128 | 9008 0.56 911 933 908 914 20 2.3 1 904 京王 129 | 8306 0.63 788 805 784 786 17 2.29 1 778 三菱ＵＦＪ 130 | 4912 0.4 1050 1087 1050 1056 23 2.27 1 1044 ライオン 131 | 4922 0.3 11840 12050 11540 11620 260 2.25 1 11502 コーセー 132 | 4519 0.59 4485 4590 4470 4520 100 2.23 1 4470 中外薬 133 | 9202 0.52 368 369 357 359 7 2.23 1 355 ＡＮＡＨＤ 134 | 8028 0.32 5310 5460 5280 5430 120 2.23 1 5370 ファミリーＭ 135 | 9065 0.26 587 592 579 588 12 2.21 1 582 山九 136 | 8309 0.59 500 504 495 497 10 2.21 1 492 三井住友トラ 137 | 4021 0.64 2700 2757 2672 2726 59 2.2 1 2696 日産化 138 | 9007 0.57 1092 1118 1088 1095 23 2.19 1 1083 小田急 139 | 8616 0.65 790 804 773 784 16 2.17 1 776 東海東京 140 | 7451 0.38 2425 2467 2401 2443 52 2.17 1 2417 三菱食品 141 | 6370 0.45 2486 2545 2479 2503 53 2.16 1 2476 栗田工 142 | 4004 0.44 140 143 139 139 2 2.16 1 138 昭電工 143 | 8334 0.58 785 812 780 788 16 2.16 1 780 群馬銀 144 | 8830 0.62 4050 4149 4032 4071 85 2.11 1 4029 住友不 145 | 4527 0.34 2050 2091 2047 2061 42 2.09 1 2040 ロート 146 | 8214 0.34 1434 1470 1428 1438 29 2.09 1 1423 ＡＯＫＩＨＤ 147 | 3349 0.16 14910 15230 14840 14930 310 2.08 1 14775 コスモス薬品 148 | 6971 0.65 5878 5937 5829 5907 120 2.05 1 5847 京セラ 149 | 9513 0.37 3680 3745 3660 3715 75 2.05 1 3677 Ｊパワー 150 | 9001 0.5 534 541 531 536 10 2.05 1 531 東武 151 | 7483 0.41 2026 2083 2026 2060 41 2.04 0 2039 ドウシシャ 152 | 8308 0.6 595 604 592 593 11 2.02 1 588 りそなＨＤ 153 | 1878 0.34 12820 13160 12820 12965 260 2.01 1 12835 大東建 154 | 5332 0.49 1813 1830 1790 1795 35 2.01 0 1777 ＴＯＴＯ 155 | 3360 0.44 2613 2652 2572 2597 51 2 1 2571 シップＨＤ 156 | 9735 0.72 7490 7609 7444 7546 149 1.99 1 7471 セコム 157 | 4151 0.44 2005 2039 1993 2012 39 1.99 1 1992 協和キリン 158 | 2131 0.19 1216 1226 1204 1214 23 1.98 1 1202 アコーディア 159 | 4793 0.14 914 914 893 907 17 1.98 1 898 富士通ビー・エス・シー 160 | 8303 0.45 255 262 252 254 4 1.97 1 252 新生銀 161 | 7279 0.34 3620 3680 3560 3620 70 1.96 1 3585 ハイレックスコーポレーション 162 | 4967 0.41 9180 9450 9130 9230 180 1.96 1 9140 小林製薬 163 | 2670 0.28 7070 7220 7060 7190 140 1.96 1 7120 ＡＢＣマート 164 | 8795 0.62 1599 1629 1586 1593 30 1.95 1 1578 Ｔ＆Ｄ 165 | 9783 0.38 3150 3175 3125 3140 60 1.94 1 3110 ベネッセＨＤ 166 | 6136 0.37 2333 2381 2322 2327 44 1.93 1 2305 ＯＳＧ 167 | 4684 0.44 5360 5440 5250 5300 100 1.91 1 5250 オービック 168 | 9003 0.53 697 699 675 683 12 1.9 1 677 相鉄ＨＤ 169 | 9041 0.5 422 429 419 421 7 1.9 1 417 近鉄ＧＨＤ 170 | 8227 0.33 11200 11300 11110 11180 210 1.89 1 11076 しまむら 171 | 9934 0.56 3785 3820 3715 3755 70 1.89 1 3720 因幡電機産業 172 | 7520 0.32 1132 1157 1102 1131 20 1.86 1 1121 エコス 173 | 3817 0.4 2095 2176 2095 2128 38 1.83 1 2109 SRAホールディングス 174 | 7860 0.21 1525 1537 1494 1527 27 1.83 1 1513 エイベＧＨＤ 175 | 9936 0.32 3900 3920 3860 3870 70 1.83 1 3835 王将フード 176 | 4726 0.48 1292 1292 1225 1228 21 1.79 1 1217 ソフトバンク・テクノロジー 177 | 6861 0.54 56280 56790 55060 55300 990 1.79 1 54809 キーエンス 178 | 3382 0.57 5233 5316 5218 5236 92 1.78 1 5190 セブン＆アイ 179 | 3088 0.3 5800 5970 5670 5720 100 1.77 1 5671 マツキヨＨＤ 180 | 8137 0.49 1080 1120 1080 1088 18 1.75 1 1079 サンワテクノス 181 | 8001 0.4 1405 1413 1369 1372 23 1.75 1 1360 伊藤忠 182 | 7011 0.56 582 592 573 575 9 1.74 1 570 三菱重 183 | 2726 0.17 3500 3585 3465 3505 60 1.74 1 3475 パル 184 | 6201 0.57 5940 5990 5810 5840 100 1.73 1 5790 豊田織 185 | 2181 0.37 4965 5070 4940 4960 85 1.73 1 4918 テンプＨＤ 186 | 8359 0.58 817 841 815 816 13 1.72 1 809 八十二 187 | 1605 0.27 1160 1177 1153 1164 19 1.72 1 1154 国際石開帝石 188 | 8382 0.58 1704 1745 1695 1698 28 1.71 1 1684 中国銀 189 | 9045 0.51 764 779 758 763 12 1.7 1 757 京阪電 190 | 8379 0.59 657 670 649 649 10 1.69 1 644 広島銀 191 | 7518 0.3 730 737 708 712 11 1.69 1 706 ネットワンシステムズ 192 | 8332 0.57 730 738 720 724 11 1.66 1 719 横浜銀 193 | 8267 0.43 1799 1829 1789 1804 29 1.66 1 1789 イオン 194 | 6301 0.44 1995 2034 1984 1994 32 1.65 0 1978 コマツ 195 | 7014 0.42 896 896 846 850 13 1.65 1 843 名村造 196 | 9600 0.47 1200 1260 1200 1216 19 1.64 1 1206 アイネット 197 | 6727 0.17 430 434 425 426 6 1.64 1 423 ワコム 198 | 9613 0.69 5590 5700 5580 5620 90 1.62 1 5575 ＮＴＴデータ 199 | 8304 0.41 435 437 429 431 6 1.62 1 428 あおぞら銀 200 | 4061 0.57 502 507 497 501 7 1.6 1 497 電化 201 | 2782 0.05 5570 5770 5450 5700 90 1.6 1 5655 セリア 202 | 9364 0.51 1002 1013 994 1006 15 1.59 1 998 上組 203 | 6417 0.39 4470 4525 4455 4500 70 1.58 1 4465 ＳＡＮＫＹＯ 204 | 6463 0.48 2834 2857 2770 2794 43 1.57 1 2772 ＴＰＲ 205 | 8184 0.43 2917 2937 2857 2921 45 1.57 1 2898 島忠 206 | 4613 0.51 1870 1901 1861 1866 28 1.55 1 1852 関西ペ 207 | 9531 0.46 649 662 645 650 9 1.54 1 645 東ガス 208 | 8566 0.55 3330 3360 3295 3305 50 1.54 1 3280 リコーリース 209 | 2433 0.52 1180 1198 1170 1177 17 1.53 1 1168 博報堂ＤＹ 210 | 9042 0.6 729 735 716 719 10 1.53 1 714 阪急阪神 211 | 7203 0.64 7170 7190 7007 7026 106 1.52 1 6973 トヨタ 212 | 8377 0.61 264 271 263 263 3 1.52 1 261 ほくほくＦＧ 213 | 4568 0.41 2274 2299 2234 2253 33 1.51 1 2236 第一三共 214 | 2593 0.33 2680 2696 2586 2627 38 1.48 0 2608 伊藤園 215 | 3289 0.55 825 834 812 814 11 1.47 1 808 東急不ＨＤ 216 | 1881 0.3 1982 2016 1969 1982 28 1.46 1 1968 ＮＩＰＰＯ 217 | 2674 0.45 1490 1490 1429 1442 20 1.46 1 1432 ハードオフコーポレーション 218 | 9532 0.46 479 493 479 483 6 1.45 1 480 大ガス 219 | 8729 0.46 2191 2243 2168 2200 31 1.45 1 2184 ソニーＦＨ 220 | 8356 0.61 490 498 485 487 6 1.44 1 484 十六銀 221 | 4540 0.37 2648 2681 2625 2639 37 1.44 1 2620 ツムラ 222 | 5110 0.46 1661 1708 1653 1684 23 1.43 1 1672 住友ゴ 223 | 8114 0.46 1650 1677 1612 1622 22 1.42 1 1611 デサント 224 | 6473 0.52 1700 1717 1673 1693 23 1.42 1 1681 ジェイテクト 225 | 8385 0.63 1348 1373 1333 1340 18 1.42 1 1331 伊予銀 226 | 6754 0.29 782 787 772 777 10 1.42 0 772 アンリツ 227 | 8012 0.67 1420 1436 1408 1410 19 1.42 1 1400 長瀬産業 228 | 5486 0.4 1506 1522 1494 1502 20 1.4 1 1492 日立金 229 | 3512 0.43 508 514 507 509 6 1.38 1 506 日本フェルト 230 | 6326 0.56 1838 1858 1823 1824 24 1.37 1 1812 クボタ 231 | 6465 0.45 7370 7500 7330 7360 100 1.37 1 7310 ホシザキ電機 232 | 2317 0.42 1138 1142 1096 1100 14 1.36 1 1093 システナ 233 | 8801 0.62 3361 3388 3311 3316 44 1.36 1 3294 三井不 234 | 9432 0.4 8953 9147 8939 9075 122 1.36 1 8824 ＮＴＴ 235 | 1417 0.34 1106 1119 1087 1108 14 1.35 1 1101 ミライト・ホールディングス 236 | 2359 0.32 822 826 811 813 10 1.35 1 808 コア 237 | 7453 0.24 25480 25970 25080 25360 340 1.34 1 25193 良品計画 238 | 3405 0.62 1448 1456 1426 1430 18 1.33 1 1421 クラレ 239 | 5986 0.44 303 307 302 302 3 1.32 1 300 パイオラックス 240 | 9602 0.45 2703 2711 2647 2671 34 1.31 1 2654 東宝 241 | 4508 0.44 2092 2131 2081 2094 26 1.29 1 2081 田辺三菱 242 | 6425 0.3 2300 2416 2290 2332 29 1.29 1 2318 ユニバーサル 243 | 9468 0.22 1443 1451 1417 1431 17 1.26 1 1422 カドカワドワンゴ 244 | 8056 0.44 1277 1312 1265 1268 15 1.26 1 1260 日本ユニシス 245 | 8327 0.51 325 329 320 321 3 1.25 1 319 西日シ銀 246 | 4716 0.43 5000 5130 4970 5010 60 1.22 1 4980 日本オラクル 247 | 5186 0.65 2776 2866 2758 2802 33 1.21 1 2785 ニッタ 248 | 4507 0.49 4690 4780 4610 4655 55 1.2 1 4628 塩野義 249 | 8354 0.58 587 592 581 582 6 1.2 1 579 ふくおかＦＧ 250 | 9984 0.44 7050 7120 6947 6952 82 1.19 0 6911 ソフトバンク 251 | 8270 0.46 755 761 747 754 8 1.19 1 750 ユニーＧＨＤ 252 | 8628 0.7 1030 1039 1007 1015 11 1.18 1 1009 松井 253 | 4708 0.28 1188 1232 1180 1184 13 1.18 1 1177 もしもしＨＬ 254 | 9031 0.48 595 605 590 593 6 1.18 1 590 西鉄 255 | 9435 0.22 7830 7950 7750 7780 90 1.17 1 7735 光通信 256 | 8043 0.33 354 354 342 343 3 1.17 1 341 スターゼン 257 | 9684 0.31 3090 3120 3050 3065 35 1.17 1 3047 スクウェア・エニックス・ホールディングス 258 | 3003 0.45 1111 1124 1099 1108 12 1.17 1 1102 ヒューリック 259 | 4676 0.26 1395 1406 1377 1380 15 1.16 0 1372 フジＨＤ 260 | 5471 0.38 431 435 424 431 4 1.16 1 429 大同特鋼 261 | 6923 0.41 2369 2390 2313 2330 26 1.16 1 2317 スタンレー 262 | 8088 0.49 712 717 699 700 7 1.14 1 696 岩谷産 263 | 4502 0.51 5915 5972 5812 5835 65 1.13 1 5802 武田 264 | 8053 0.49 1255 1259 1234 1238 13 1.13 1 1231 住友商 265 | 9086 0.43 1976 1991 1951 1965 21 1.12 1 1954 日立物流 266 | 6594 0.45 9800 9848 9378 9482 105 1.12 1 9430 日電産 267 | 3765 0.12 361 365 355 356 3 1.12 1 354 ガンホー 268 | 6674 0.42 454 454 442 445 4 1.12 1 443 ＧＳユアサ 269 | 4185 0.42 1890 1926 1883 1889 20 1.11 1 1879 ＪＳＲ 270 | 4523 0.45 7792 7900 7659 7714 84 1.1 1 7672 エーザイ 271 | 8425 0.54 2482 2504 2450 2458 26 1.1 1 2445 興銀リース 272 | 1722 0.45 841 855 827 837 8 1.08 1 833 ミサワホーム 273 | 7595 0.48 1720 1720 1685 1686 17 1.07 1 1677 アルゴグラフィックス 274 | 4911 0.39 2675 2720 2608 2626 27 1.07 1 2613 資生堂 275 | 1951 0.45 1226 1237 1212 1224 12 1.06 1 1218 協エクシオ 276 | 9005 0.55 860 866 846 850 8 1.06 1 846 東急 277 | 3231 0.48 2283 2327 2247 2256 23 1.06 1 2244 野村不ＨＤ 278 | 3632 0.2 568 574 563 564 5 1.06 0 561 グリー 279 | 6702 0.31 574 577 562 565 5 1.06 1 562 富士通 280 | 4901 0.53 4790 4810 4710 4734 48 1.04 1 4710 富士フイルム 281 | 4578 0.42 4018 4077 3937 3954 40 1.04 1 3934 大塚ＨＤ 282 | 8355 0.63 1277 1285 1257 1259 12 1.03 1 1253 静岡銀 283 | 5108 0.57 4057 4086 3972 3985 40 1.03 1 3965 ブリヂストン 284 | 7282 0.53 2368 2399 2331 2342 23 1.02 1 2330 豊田合 285 | 9810 0.36 397 404 391 392 3 1.02 1 390 日鉄住金物 286 | 8031 0.4 1527 1529 1502 1503 14 1 1 1496 三井物 287 | 6305 0.52 1736 1751 1711 1721 16 0.99 0 1713 日立建機 288 | 8473 0.66 1479 1490 1447 1457 13 0.96 1 1450 SBIホールディングス 289 | 4704 0.61 4265 4370 4245 4285 40 0.96 1 4265 トレンド 290 | 8333 0.62 636 648 631 631 5 0.95 1 628 常陽銀 291 | 8604 0.63 761 766 747 749 6 0.93 1 746 野村 292 | 6703 0.43 220 222 218 218 1 0.92 1 217 ＯＫＩ 293 | 7731 0.4 1545 1554 1508 1529 13 0.92 1 1522 ニコン 294 | 8572 0.47 561 563 544 550 4 0.91 1 548 アコム 295 | 8802 0.53 2600 2658 2577 2583 22 0.89 1 2572 菱地所 296 | 4719 0.34 1705 1749 1705 1712 14 0.88 1 1705 アルファシステムズ 297 | 7751 0.42 3662 3688 3620 3626 31 0.88 1 3610 キヤノン 298 | 9831 0.33 456 457 448 454 3 0.88 1 452 ヤマダ電 299 | 4722 0.38 697 698 680 683 5 0.88 1 680 フューチャーアーキテクト 300 | 6856 0.5 4175 4240 4120 4135 35 0.87 1 4117 堀場製 301 | 5019 0.19 2000 2006 1948 1949 16 0.87 1 1941 出光興産 302 | 4528 0.35 15460 15520 15000 15120 130 0.87 1 15056 小野薬 303 | 9062 0.53 579 585 570 577 4 0.87 1 575 日通 304 | 8593 0.59 586 593 579 581 4 0.86 1 579 三菱Ｕリース 305 | 8601 0.7 836 843 826 827 6 0.85 1 824 大和 306 | 3099 0.52 1889 1926 1875 1886 15 0.85 1 1878 三越伊勢丹 307 | 4324 0.6 6040 6100 5940 5990 50 0.85 1 5965 電通 308 | 3407 0.58 948 954 940 940 7 0.85 1 937 旭化成 309 | 5334 0.42 3060 3090 2932 2960 24 0.84 1 2948 特殊陶 310 | 9048 0.45 477 483 471 475 3 0.84 1 473 名鉄 311 | 8058 0.42 2200 2215 2157 2162 17 0.83 1 2153 三菱商 312 | 8015 0.61 2680 2710 2652 2673 21 0.82 1 2662 豊田通商 313 | 3086 0.54 1950 1970 1926 1943 15 0.82 1 1935 Ｊフロント 314 | 2915 0.31 1626 1652 1600 1604 12 0.81 1 1598 ケンコーマヨネーズ 315 | 2768 0.34 253 254 245 246 1 0.81 1 245 双日 316 | 8586 0.44 2923 2949 2840 2846 22 0.81 1 2835 日立キャピ 317 | 5857 0.34 1750 1753 1717 1723 13 0.81 1 1716 アサヒＨＤ 318 | 4503 0.49 1808 1837 1769 1781 13 0.79 1 1774 アステラス 319 | 5714 0.51 1020 1033 1007 1013 7 0.79 1 1009 ＤＯＷＡ 320 | 5105 0.41 2735 2764 2614 2655 20 0.79 1 2645 洋ゴム 321 | 8002 0.49 662 666 648 648 4 0.77 1 646 丸紅 322 | 9956 0.41 3430 3495 3350 3385 25 0.77 0 3372 バロー 323 | 7248 0.44 803 811 785 793 5 0.76 1 790 カルソカンセ 324 | 9766 0.36 2580 2608 2561 2581 18 0.74 1 2572 コナミ 325 | 4042 0.4 549 551 537 539 3 0.74 1 537 東ソー 326 | 6501 0.61 691 693 674 676 4 0.74 1 674 日立 327 | 4777 0.18 817 882 817 830 5 0.72 1 828 ガーラ 328 | 3636 0.41 2892 2912 2842 2843 19 0.7 1 2833 三菱総合研究所 329 | 9064 0.48 2304 2319 2280 2292 15 0.7 1 2285 ヤマトＨＤ 330 | 7205 0.56 1310 1325 1264 1279 8 0.7 1 1275 日野自 331 | 6869 0.47 7600 7690 7330 7360 50 0.69 1 7335 シスメックス 332 | 5970 0.39 1215 1218 1189 1200 7 0.67 1 1196 ジーテクト 333 | 6504 0.47 474 480 468 469 2 0.64 1 468 富士電機 334 | 5938 0.29 2425 2433 2383 2389 14 0.63 1 2382 ＬＩＸＩＬグ 335 | 4768 0.29 6640 6750 6460 6540 40 0.63 1 6520 大塚商会 336 | 3116 0.51 1999 2017 1949 1957 11 0.61 1 1951 トヨタ紡織 337 | 6273 0.57 29445 29965 28830 29040 175 0.61 1 28953 ＳＭＣ 338 | 6506 0.53 1350 1368 1330 1339 7 0.6 1 1335 安川電 339 | 6503 0.59 1210 1219 1178 1180 6 0.59 1 1177 三菱電 340 | 6302 0.5 521 529 514 516 2 0.58 1 515 住友重 341 | 6988 0.64 8325 8450 8055 8151 46 0.58 1 8128 日東電 342 | 4837 0.19 514 518 511 513 2 0.58 1 512 シダックス 343 | 5802 0.53 1652 1667 1613 1620 8 0.56 1 1616 住友電 344 | 4307 0.55 4825 4840 4680 4715 25 0.55 1 4702 野村総研 345 | 7003 0.43 183 185 180 182 0 0.55 1 181 三井造 346 | 5949 0.36 2243 2273 2210 2214 11 0.54 1 2208 ユニプレス 347 | 5393 0.34 757 759 740 742 3 0.54 1 740 ニチアス 348 | 8840 0.47 188 189 184 184 0 0.54 1 184 大京 349 | 4732 0.51 2087 2114 2049 2061 10 0.53 1 2056 ＵＳＳ 350 | 4581 0.49 7820 7960 7680 7760 40 0.53 1 7740 大正薬ＨＤ 351 | 8870 0.43 3150 3190 3075 3090 15 0.52 1 3082 住友販売 352 | 4612 0.42 2533 2575 2510 2516 12 0.52 1 2510 日本ペＨＤ 353 | 9021 0.42 8181 8212 8018 8051 39 0.5 1 8031 ＪＲ西日本 354 | 2702 0.23 2630 2638 2606 2627 12 0.49 1 2621 マクドナルド 355 | 4208 0.37 208 209 203 204 0 0.49 1 203 宇部興 356 | 8233 0.5 1060 1068 1043 1049 4 0.48 1 1047 高島屋 357 | 5991 0.41 1162 1172 1136 1141 4 0.44 1 1139 ニッパツ 358 | 2294 0.22 1871 1889 1871 1877 7 0.43 1 1873 柿安本店 359 | 9020 0.54 11300 11425 11080 11130 45 0.41 1 11107 ＪＲ東日本 360 | 8273 0.46 5120 5230 5050 5080 20 0.41 1 5070 イズミ 361 | 9503 0.41 1523 1551 1489 1504 5 0.4 1 1502 関西電力 362 | 4217 0.61 1855 1866 1815 1816 6 0.39 1 1813 日立化 363 | 6471 0.54 1525 1555 1507 1519 5 0.39 1 1516 日精工 364 | 7532 0.36 10460 10630 10460 10500 40 0.39 1 10228 ドンキＨＤ 365 | 7947 0.29 4175 4275 4160 4170 15 0.38 1 4162 エフピコ 366 | 2432 0.33 2155 2178 2109 2124 7 0.38 1 2120 ディーエヌエ 367 | 6963 0.61 6570 6590 6380 6400 20 0.33 1 6390 ローム 368 | 8544 0.57 623 627 607 608 1 0.33 1 607 京葉銀 369 | 7267 0.5 3730 3762 3668 3682 11 0.33 1 3676 ホンダ 370 | 9076 0.25 1350 1356 1316 1327 3 0.3 1 1325 セイノーホールディングス 371 | 7242 0.48 358 361 348 350 0 0.29 1 350 ＫＹＢ 372 | 9787 0.3 3800 3825 3725 3735 10 0.29 1 3730 イオンディラ 373 | 3639 0.16 1530 1559 1479 1490 3 0.27 1 1488 ボルテージ 374 | 3793 0.13 795 850 786 791 1 0.25 1 790 ドリコム 375 | 7988 0.45 4630 4700 4555 4580 10 0.24 1 4575 ニフコ 376 | 4506 0.46 1320 1338 1299 1310 2 0.23 1 1309 大日本住友製薬 377 | 7270 0.51 4199 4202 4039 4067 8 0.22 1 4063 富士重 378 | 4063 0.63 6659 6710 6543 6585 12 0.2 1 6579 信越化 379 | 8591 0.6 1655 1663 1593 1603 2 0.19 1 1602 オリックス 380 | 4091 0.55 1438 1459 1419 1423 1 0.14 1 1422 大陽日酸 381 | 6289 0.11 1550 1553 1506 1545 1 0.13 1 1544 技研製作所 382 | 6902 0.67 5366 5398 5224 5254 6 0.13 1 5251 デンソー 383 | 1952 0.39 957 960 938 942 0 0.11 1 941 新日本空調 384 | 6371 0.4 935 942 908 909 0 0.11 1 908 椿本チ 385 | 9422 0.33 1254 1294 1220 1224 0 0.08 0 1223 コネクシオ 386 | 6395 0.33 1642 1663 1597 1602 0 0.06 1 1602 タダノ 387 | 7936 0.34 3480 3540 3385 3410 0 0.03 1 3410 アシックス 388 | 7013 0.55 379 380 367 370 -1 0 1 370 ＩＨＩ 389 | 6502 0.44 374 379 362 366 -1 0 1 366 東芝 390 | 7752 0.34 1166 1181 1146 1157 -1 0 1 1157 リコー 391 | 7261 0.54 2094 2107 2010 2031 -1 0 1 2031 マツダ 392 | 7012 0.58 460 463 446 448 -1 0 1 448 川重 393 | 9948 0.34 2330 2355 2306 2320 -2 -0.04 1 2320 アークス 394 | 8418 0.59 1477 1496 1453 1461 -2 -0.07 1 1461 山口ＦＧ 395 | 7628 0.44 1400 1400 1360 1364 -2 -0.07 1 1364 オーハシテクニカ 396 | 9375 0.49 4500 4505 4405 4445 -5 -0.09 1 4447 近鉄エクス 397 | 9069 0.37 827 844 805 818 -2 -0.12 0 818 センコー 398 | 7272 0.55 2271 2299 2213 2227 -4 -0.13 1 2228 ヤマハ発 399 | 7262 0.28 1488 1498 1454 1464 -3 -0.14 1 1465 ダイハツ 400 | 7278 0.45 2719 2751 2655 2661 -5 -0.15 1 2663 エクセディ 401 | 2413 0.32 2711 2770 2642 2664 -5 -0.15 1 2666 エムスリー 402 | 3064 0.27 6120 6220 5960 6040 -10 -0.15 1 6044 モノタロウ 403 | 4521 0.31 5650 5760 5430 5480 -10 -0.16 1 5484 科研薬 404 | 9962 0.47 5480 5550 5450 5480 -10 -0.16 1 5475 ミスミＧ 405 | 6367 0.62 7500 7580 7184 7269 -13 -0.17 1 7275 ダイキン 406 | 7458 0.2 4490 4490 4310 4355 -10 -0.21 1 4359 第一興商 407 | 3656 0.13 1480 1512 1412 1429 -4 -0.21 1 1430 KLab 408 | 7211 0.35 950 952 914 922 -3 -0.22 1 923 三菱自 409 | 4902 0.55 1332 1334 1295 1299 -4 -0.23 1 1300 コニカミノル 410 | 5020 0.18 450 451 443 443 -2 -0.23 1 444 ＪＸ 411 | 7420 0.55 880 890 860 862 -3 -0.23 1 863 佐鳥電機 412 | 6448 0.43 1645 1660 1615 1616 -5 -0.25 1 1618 ブラザー 413 | 3092 0.31 3705 3785 3600 3630 -10 -0.25 1 3634 スタートトゥ 414 | 4534 0.5 7410 7470 7210 7300 -20 -0.26 1 7309 持田薬 415 | 8609 0.7 760 767 730 732 -3 -0.27 1 733 岡三 416 | 2651 0.37 8430 8570 8310 8400 -30 -0.35 0 8414 ローソン 417 | 9449 0.3 1700 1754 1658 1664 -7 -0.36 1 1667 ＧＭＯ 418 | 3861 0.38 555 559 544 546 -3 -0.37 0 547 王子ＨＤ 419 | 5214 0.37 539 542 525 530 -3 -0.38 1 531 日電硝 420 | 4555 0.37 7800 7830 7540 7600 -30 -0.38 1 7614 沢井製薬 421 | 7280 0.38 2111 2135 2042 2052 -9 -0.39 1 2056 ミツバ 422 | 5401 0.47 245 246 238 239 -2 -0.42 1 240 新日鉄住金 423 | 6645 0.52 4495 4555 4405 4425 -20 -0.43 1 4434 オムロン 424 | 6651 0.5 2340 2340 2251 2255 -11 -0.44 1 2260 日東工業 425 | 2780 0.22 3105 3185 2995 3010 -15 -0.47 1 3017 エンカレッジ・テクノロジ 426 | 6752 0.52 1325 1335 1276 1279 -7 -0.47 1 1282 パナソニック 427 | 4205 0.41 1010 1017 991 992 -6 -0.5 1 994 ゼオン 428 | 2371 0.35 1958 1999 1905 1919 -11 -0.52 1 1924 カカクコム 429 | 5711 0.43 376 379 365 366 -3 -0.55 1 367 三菱マ 430 | 6366 0.33 863 870 843 847 -6 -0.59 1 849 千代建 431 | 2395 0.33 477 500 472 473 -4 -0.63 1 474 新日本科学 432 | 9983 0.67 51000 51380 49620 50290 -330 -0.65 1 50454 ファストリ 433 | 6762 0.67 7580 7650 7360 7430 -50 -0.66 1 7454 ＴＤＫ 434 | 7259 0.46 4380 4415 4260 4280 -30 -0.68 1 4294 アイシン 435 | 5196 0.3 597 601 580 582 -5 -0.69 1 584 鬼ゴム 436 | 3774 0.21 2200 2224 2125 2132 -16 -0.7 1 2139 ＩＩＪ 437 | 9501 0.4 851 864 818 831 -7 -0.72 1 834 東京電力 438 | 7201 0.55 1104 1116 1060 1064 -9 -0.75 1 1068 日産自 439 | 4569 0.39 2105 2126 2045 2057 -17 -0.78 1 2065 キョーリン 440 | 6361 0.3 485 487 470 473 -5 -0.85 1 475 荏原 441 | 7296 0.33 1808 1809 1756 1769 -17 -0.9 0 1777 ＦＣＣ 442 | 6474 0.43 566 569 549 550 -6 -0.91 1 552 不二越 443 | 6268 0.45 2459 2482 2401 2404 -24 -0.96 1 2415 ナブテスコ 444 | 4842 0.24 312 317 307 308 -4 -0.97 1 309 ＵＳＥＮ 445 | 5713 0.35 1450 1460 1417 1418 -15 -0.99 1 1425 住友鉱 446 | 3641 0.11 3520 3580 3290 3415 -35 -1 1 3430 パピレス 447 | 5002 0.3 1010 1013 985 992 -11 -1.01 1 997 昭和シェル 448 | 4689 0.45 493 496 475 480 -6 -1.04 1 482 ヤフー 449 | 1963 0.26 1762 1778 1726 1726 -21 -1.16 1 1736 日揮 450 | 4088 0.58 1910 1941 1880 1884 -23 -1.17 1 1895 エアウォータ 451 | 5706 0.36 247 248 238 240 -4 -1.25 1 241 三井金 452 | 4530 0.38 4100 4160 4010 4035 -55 -1.34 1 4062 久光薬 453 | 6146 0.39 9160 9230 8830 8850 -120 -1.34 1 8909 ディスコ 454 | 7606 0.23 4675 4705 4580 4605 -65 -1.39 1 4637 Ｕアローズ 455 | 6741 0.47 1102 1120 1066 1066 -16 -1.41 1 1073 日本信号 456 | 6479 0.41 1544 1563 1494 1504 -23 -1.46 1 1515 ミネベア 457 | 6586 0.41 6770 6840 6560 6600 -100 -1.5 1 6649 マキタ 458 | 4968 0.44 1111 1128 1086 1087 -18 -1.56 1 1095 荒川化学工業 459 | 4751 0.39 4930 5020 4720 4745 -75 -1.56 0 4782 サイバー 460 | 8282 0.3 3790 3865 3660 3685 -60 -1.6 1 3714 ケーズＨＤ 461 | 3668 0.34 2193 2229 2107 2107 -36 -1.66 1 2124 コロプラ 462 | 6412 0.38 2381 2390 2290 2307 -40 -1.69 1 2326 平和 463 | 6981 0.43 17500 17695 16505 16670 -285 -1.7 1 16810 村田製 464 | 8136 0.33 3830 3895 3720 3730 -65 -1.72 1 3762 サンリオ 465 | 6954 0.58 20065 20080 19100 19320 -345 -1.78 1 19492 ファナック 466 | 5631 0.5 408 410 392 394 -9 -2.03 1 398 日製鋼 467 | 4114 0.3 1765 1780 1712 1717 -37 -2.1 1 1735 日触媒 468 | 7974 0.43 23995 24400 23275 23355 -525 -2.24 1 23608 任天堂 469 | 7269 0.48 4087 4110 3925 3945 -93 -2.33 1 3991 スズキ 470 | 5201 0.43 726 733 708 709 -18 -2.4 1 717 旭硝子 471 | 2121 0.13 4450 4475 4240 4275 -105 -2.43 1 4326 ミクシィ 472 | 5411 0.43 1890 1892 1812 1813 -46 -2.48 1 1835 ＪＦＥ 473 | 4283 0.55 3820 3825 3765 3775 -95 -2.49 0 3942 パナソニックIS 474 | 4231 0.33 710 710 666 673 -19 -2.67 1 682 タイガースポリマー 475 | 6481 0.43 2143 2160 2036 2047 -59 -2.83 1 2076 ＴＨＫ 476 | 3436 0.39 1110 1120 1062 1065 -32 -2.91 1 1080 SUMCO 477 | 3905 0.12 597 617 570 574 -18 -2.96 1 582 データセクション 478 | 4572 0.11 3450 3455 3115 3155 -95 -2.98 1 3164 カルナバイオサイエンス 479 | 6841 0.55 1415 1420 1350 1361 -42 -3.01 1 1381 横河電 480 | 3799 0.2 571 583 560 562 -19 -3.2 1 571 キーウェアソリューションズ 481 | 5929 0.45 931 940 892 897 -30 -3.23 1 911 三和ホールディングス 482 | 3911 0.18 1220 1252 1169 1180 -46 -3.81 1 1202 Aiming 483 | 5101 0.44 1361 1361 1317 1319 -59 -4.4 1 1336 浜ゴム 484 | 3664 -0.01 581 597 556 559 -32 -5.55 1 574 モブキャスト 485 | -------------------------------------------------------------------------------- /ruby/jpstock/data/summary.csv.20150828.csv: -------------------------------------------------------------------------------- 1 | Code Corr Open High Low Close Change Ratio Trend Pred Name 2 | 4777 0.18 875 945 861 909 79 8.8 1 886 ガーラ 3 | 5713 0.35 1485 1558 1480 1549 131 8.52 0 1483 住友鉱 4 | 5711 0.43 384 399 383 398 32 8.29 0 382 三菱マ 5 | 3664 -0.01 575 610 567 608 49 8.22 0 583 モブキャスト 6 | 3907 0.23 4070 4330 3975 4270 330 7.75 1 4106 シリコンスタジオ 7 | 3742 0.17 1177 1216 1140 1162 89 7.75 1 1125 ITbook 8 | 4114 0.3 1775 1867 1765 1860 143 7.74 0 1788 日触媒 9 | 7593 0.19 716 754 713 749 57 7.74 1 722 ＶＴＨＤ 10 | 8001 0.4 1459 1509 1446 1481 109 7.43 1 1427 伊藤忠 11 | 5401 0.47 248 260 247 257 18 7.39 0 248 新日鉄住金 12 | 6094 -0.01 1510 1578 1506 1569 115 7.39 1 1511 フリークアウト 13 | 6741 0.47 1098 1170 1097 1150 84 7.39 0 1108 日本信号 14 | 5706 0.36 248 261 247 258 18 7.36 0 249 三井金 15 | 7272 0.55 2316 2412 2277 2401 174 7.29 0 2314 ヤマハ発 16 | 4631 0.51 285 298 284 297 20 7.07 1 287 ＤＩＣ 17 | 7248 0.44 826 862 822 852 59 7.04 1 823 カルソカンセ 18 | 1983 0.15 1250 1306 1243 1303 90 6.98 1 1258 東芝プラ 19 | 6506 0.53 1382 1443 1366 1438 99 6.95 1 1388 安川電 20 | 5471 0.39 447 468 444 462 31 6.93 1 446 大同特鋼 21 | 5411 0.44 1896 1972 1895 1947 134 6.93 0 1880 ＪＦＥ 22 | 8897 0.39 532 545 523 529 35 6.81 1 511 タカラレーベ 23 | 4231 0.32 694 731 694 719 46 6.54 0 696 タイガースポリマー 24 | 2768 0.34 254 266 253 262 16 6.49 1 254 双日 25 | 2181 0.37 5210 5360 5200 5300 340 6.43 1 5135 テンプＨＤ 26 | 6146 0.39 9060 9520 9000 9450 600 6.36 0 9150 ディスコ 27 | 7014 0.42 887 920 885 906 56 6.29 1 878 名村造 28 | 7278 0.46 2751 2852 2720 2838 177 6.27 0 2750 エクセディ 29 | 5631 0.5 402 431 401 419 25 6.21 0 406 日製鋼 30 | 6841 0.55 1408 1451 1387 1450 89 6.21 0 1405 横河電 31 | 5714 0.51 1037 1084 1030 1078 65 6.12 1 1045 ＤＯＷＡ 32 | 4842 0.24 316 330 313 327 19 6.12 0 317 ＵＳＥＮ 33 | 6093 0.17 8850 9300 8810 9100 550 6.05 0 8850 エスクロー・エージェント・ジャパン 34 | 8031 0.4 1559 1610 1557 1598 95 6.01 1 1550 三井物 35 | 8616 0.65 807 837 804 833 49 6 1 808 東海東京 36 | 3659 0.36 1706 1723 1680 1695 100 5.96 1 1649 ネクソン 37 | 1963 0.26 1794 1858 1790 1833 107 5.89 0 1779 日揮 38 | 8058 0.42 2253 2336 2247 2296 134 5.88 1 2229 三菱商 39 | 6366 0.33 877 916 871 898 51 5.79 0 872 千代建 40 | 5020 0.18 459 478 456 469 26 5.76 0 456 ＪＸ 41 | 4116 0.59 563 578 553 575 32 5.74 1 559 大日精化工業 42 | 7988 0.45 4715 4885 4655 4855 275 5.68 1 4719 ニフコ 43 | 5019 0.19 2009 2097 2000 2065 116 5.67 1 2007 出光興産 44 | 7296 0.33 1804 1879 1788 1874 105 5.66 0 1822 ＦＣＣ 45 | 8303 0.45 260 269 259 268 14 5.6 1 261 新生銀 46 | 7936 0.34 3560 3615 3515 3605 195 5.44 0 3509 アシックス 47 | 6395 0.34 1645 1723 1643 1693 91 5.43 0 1648 タダノ 48 | 9422 0.33 1323 1323 1276 1293 69 5.41 0 1259 コネクシオ 49 | 1605 0.27 1222 1267 1214 1229 65 5.37 1 1197 国際石開帝石 50 | 7270 0.52 4199 4323 4179 4294 227 5.31 1 4182 富士重 51 | 8020 0.48 185 189 185 189 9 5.29 1 184 兼松 52 | 6981 0.43 17300 17670 17010 17595 925 5.26 0 17139 村田製 53 | 4324 0.6 6170 6330 6160 6320 330 5.24 1 6158 電通 54 | 7003 0.43 186 193 186 191 9 5.24 0 186 三井造 55 | 6201 0.57 6020 6220 6000 6160 320 5.21 1 6002 豊田織 56 | 4901 0.53 4860 5036 4850 4991 257 5.17 1 4864 富士フイルム 57 | 5802 0.53 1681 1727 1658 1707 87 5.16 1 1664 住友電 58 | 6954 0.58 19720 20385 19705 20370 1050 5.16 0 19845 ファナック 59 | 5991 0.41 1175 1208 1168 1202 61 5.16 1 1171 ニッパツ 60 | 7013 0.55 391 403 388 389 19 5.14 0 379 ＩＨＩ 61 | 1952 0.4 1000 1000 962 992 50 5.14 0 967 新日本空調 62 | 4088 0.59 1930 2028 1918 1985 101 5.14 0 1934 エアウォータ 63 | 4091 0.55 1483 1509 1456 1499 76 5.14 1 1461 大陽日酸 64 | 7453 0.24 26090 26960 25930 26730 1370 5.13 1 26062 良品計画 65 | 5486 0.4 1542 1592 1537 1582 80 5.12 1 1542 日立金 66 | 7205 0.56 1329 1365 1324 1347 68 5.12 1 1313 日野自 67 | 7012 0.58 460 477 460 471 23 5.1 0 459 川重 68 | 6861 0.55 57200 58260 56690 58260 2960 5.08 1 56794 キーエンス 69 | 6361 0.3 484 500 482 497 24 5.03 0 485 荏原 70 | 6481 0.43 2092 2165 2088 2154 107 5.01 0 2100 ＴＨＫ 71 | 7483 0.42 2195 2247 2174 2236 111 5.01 1 2181 ドウシシャ 72 | 7269 0.48 4081 4163 4051 4151 206 4.99 0 4049 スズキ 73 | 4205 0.42 1018 1051 1017 1043 51 4.99 0 1017 ゼオン 74 | 4042 0.4 555 572 552 566 27 4.95 1 552 東ソー 75 | 9600 0.47 1255 1278 1232 1278 62 4.93 1 1248 アイネット 76 | 3799 0.2 562 600 562 590 28 4.92 0 576 キーウェアソリューションズ 77 | 6504 0.47 483 496 483 492 23 4.88 1 480 富士電機 78 | 8524 0.5 489 501 487 496 23 4.84 1 484 北洋銀 79 | 4004 0.45 141 145 140 145 6 4.83 1 142 昭電工 80 | 8424 0.47 4740 4805 4685 4790 230 4.82 1 4677 芙蓉リース 81 | 8609 0.7 760 770 754 768 36 4.82 0 750 岡三 82 | 4217 0.61 1886 1927 1872 1907 91 4.82 1 1861 日立化 83 | 3639 0.16 1520 1570 1510 1564 74 4.8 1 1527 ボルテージ 84 | 8359 0.58 846 862 832 856 40 4.79 1 836 八十二 85 | 8566 0.55 3400 3475 3325 3470 165 4.78 1 3388 リコーリース 86 | 8848 0.33 571 589 571 586 27 4.78 1 572 レオパレス 87 | 3636 0.42 2915 2986 2889 2984 141 4.76 1 2914 三菱総合研究所 88 | 5393 0.34 765 783 756 778 36 4.76 1 760 ニチアス 89 | 8136 0.33 3810 3945 3730 3915 185 4.75 0 3823 サンリオ 90 | 4185 0.43 1932 1994 1924 1982 93 4.74 1 1935 ＪＳＲ 91 | 8137 0.5 1142 1149 1128 1141 53 4.73 1 1114 サンワテクノス 92 | 5002 0.3 1020 1050 1018 1040 48 4.71 0 1016 昭和シェル 93 | 8379 0.59 674 686 664 680 31 4.71 1 664 広島銀 94 | 8015 0.61 2761 2824 2755 2804 131 4.71 1 2738 豊田通商 95 | 3793 0.13 800 840 800 829 38 4.7 1 810 ドリコム 96 | 9742 0.42 1035 1054 1028 1049 48 4.67 1 1025 アイネス 97 | 6963 0.61 6680 6760 6530 6710 310 4.63 1 6555 ローム 98 | 9682 0.4 2757 2830 2734 2820 129 4.61 1 2756 DTS 99 | 7267 0.51 3830 3877 3797 3859 177 4.61 1 3771 ホンダ 100 | 6463 0.49 2887 2937 2833 2928 134 4.61 1 2862 ＴＰＲ 101 | 3774 0.22 2195 2240 2157 2233 101 4.57 0 2182 ＩＩＪ 102 | 7280 0.38 2097 2161 2068 2149 97 4.56 0 2100 ミツバ 103 | 8333 0.62 653 662 645 660 29 4.55 1 645 常陽銀 104 | 6268 0.45 2474 2545 2461 2517 113 4.53 0 2460 ナブテスコ 105 | 3606 0.39 153 156 151 155 6 4.52 1 152 レナウン 106 | 6474 0.43 569 580 563 575 25 4.52 0 562 不二越 107 | 8308 0.6 613 624 610 620 27 4.52 1 606 りそなＨＤ 108 | 6326 0.56 1883 1914 1873 1909 85 4.5 1 1866 クボタ 109 | 3407 0.58 965 991 958 983 43 4.48 1 962 旭化成 110 | 4202 0.51 1609 1630 1599 1629 72 4.48 1 1593 ダイセル 111 | 7177 0.31 734 759 728 759 33 4.48 1 742 GMOクリックホールディングス 112 | 8053 0.49 1274 1314 1271 1295 57 4.48 1 1266 住友商 113 | 8327 0.51 334 339 329 335 14 4.48 1 328 西日シ銀 114 | 6923 0.41 2399 2447 2384 2438 108 4.47 1 2384 スタンレー 115 | 6503 0.59 1215 1252 1214 1234 54 4.46 1 1207 三菱電 116 | 2432 0.33 2174 2276 2135 2222 98 4.46 1 2174 ディーエヌエ 117 | 7282 0.54 2410 2458 2391 2450 108 4.45 1 2396 豊田合 118 | 6302 0.5 535 549 534 539 23 4.45 1 527 住友重 119 | 5196 0.3 591 612 581 608 26 4.44 0 595 鬼ゴム 120 | 6305 0.52 1764 1826 1760 1800 79 4.44 1 1760 日立建機 121 | 5186 0.65 2876 2943 2826 2931 129 4.44 1 2867 ニッタ 122 | 6136 0.37 2388 2465 2372 2434 107 4.44 1 2381 ＯＳＧ 123 | 5857 0.35 1760 1808 1751 1802 79 4.44 1 1762 アサヒＨＤ 124 | 6465 0.46 7500 7730 7490 7700 340 4.43 1 7531 ホシザキ電機 125 | 6902 0.67 5369 5539 5369 5495 241 4.4 1 5375 デンソー 126 | 4689 0.45 498 504 490 501 21 4.39 0 490 ヤフー 127 | 8377 0.61 274 277 269 274 11 4.38 1 268 ほくほくＦＧ 128 | 4307 0.55 4900 4945 4830 4930 215 4.38 1 4824 野村総研 129 | 6037 0.26 2300 2380 2276 2310 100 4.37 1 2263 ファーストロジック 130 | 7203 0.64 7210 7390 7172 7346 320 4.37 1 7187 トヨタ 131 | 8411 0.65 249 253 248 252 10 4.37 1 247 みずほＦＧ 132 | 6586 0.41 6710 6930 6700 6900 300 4.36 0 6751 マキタ 133 | 3116 0.51 2020 2050 1993 2045 88 4.35 1 2001 トヨタ紡織 134 | 6645 0.52 4555 4660 4535 4625 200 4.35 0 4525 オムロン 135 | 7261 0.54 2081 2146 2076 2122 91 4.34 0 2077 マツダ 136 | 8012 0.68 1459 1480 1446 1473 63 4.34 1 1441 長瀬産業 137 | 7201 0.55 1097 1118 1086 1111 47 4.32 0 1087 日産自 138 | 2433 0.52 1219 1233 1198 1229 52 4.31 1 1203 博報堂ＤＹ 139 | 6727 0.17 434 447 432 444 18 4.28 1 435 ワコム 140 | 8306 0.63 815 826 810 820 34 4.27 1 803 三菱ＵＦＪ 141 | 8418 0.6 1510 1527 1485 1525 64 4.26 0 1493 山口ＦＧ 142 | 4751 0.39 4875 4970 4820 4955 210 4.26 0 4851 サイバー 143 | 4208 0.37 211 216 210 212 8 4.25 0 208 宇部興 144 | 4021 0.64 2789 2855 2751 2845 119 4.22 1 2786 日産化 145 | 9031 0.48 612 618 600 618 25 4.21 1 605 西鉄 146 | 6448 0.43 1667 1700 1651 1686 70 4.21 0 1651 ブラザー 147 | 2593 0.34 2699 2744 2649 2741 114 4.2 1 2684 伊藤園 148 | 4732 0.51 2137 2158 2113 2150 89 4.19 1 2106 ＵＳＳ 149 | 4755 0.38 1745 1748 1707 1733 71 4.15 1 1698 楽天 150 | 6752 0.52 1325 1345 1312 1333 54 4.13 0 1306 パナソニック 151 | 4523 0.45 7945 8056 7865 8045 331 4.13 1 7882 エーザイ 152 | 7309 0.47 15960 16280 15810 16280 670 4.12 1 15948 シマノ 153 | 7242 0.48 361 366 355 364 14 4.12 0 357 ＫＹＢ 154 | 6371 0.41 935 962 935 947 38 4.12 0 928 椿本チ 155 | 8332 0.57 747 757 739 754 30 4.11 1 739 横浜銀 156 | 8544 0.57 629 639 618 633 25 4.11 1 620 京葉銀 157 | 9684 0.32 3160 3245 3145 3195 130 4.1 1 3131 スクウェア・エニックス・ホールディングス 158 | 4534 0.51 7520 7620 7420 7610 310 4.09 0 7456 持田薬 159 | 6702 0.32 579 597 576 588 23 4.08 1 576 富士通 160 | 4508 0.44 2163 2190 2149 2182 88 4.08 1 2138 田辺三菱 161 | 7451 0.39 2461 2546 2440 2546 103 4.08 1 2494 三菱食品 162 | 8382 0.59 1764 1784 1723 1769 71 4.07 1 1734 中国銀 163 | 4708 0.28 1219 1241 1190 1233 49 4.06 1 1208 もしもしＨＬ 164 | 4587 0.19 14110 14920 14020 14730 590 4.01 1 14495 ペプチドリーム 165 | 8002 0.49 668 686 665 674 26 4.01 1 661 丸紅 166 | 7011 0.56 595 605 590 598 23 4.01 1 586 三菱重 167 | 8088 0.49 724 740 718 728 28 3.98 1 714 岩谷産 168 | 6703 0.44 221 230 221 226 8 3.98 1 222 ＯＫＩ 169 | 6856 0.5 4295 4315 4205 4305 170 3.97 1 4220 堀場製 170 | 9766 0.36 2610 2692 2594 2686 105 3.95 1 2633 コナミ 171 | 8356 0.62 503 513 497 506 19 3.95 1 496 十六銀 172 | 6502 0.44 370 385 370 380 14 3.95 0 373 東芝 173 | 5012 0.22 1185 1198 1178 1197 46 3.93 1 1174 東燃ゼネ 174 | 5201 0.43 734 743 726 737 28 3.93 0 723 旭硝子 175 | 7751 0.42 3728 3795 3705 3773 147 3.92 1 3700 キヤノン 176 | 1417 0.35 1153 1182 1147 1152 44 3.91 1 1130 ミライト・ホールディングス 177 | 1801 0.46 826 827 808 818 31 3.91 1 802 大成建 178 | 8334 0.58 813 823 803 819 31 3.91 1 803 群馬銀 179 | 6301 0.44 2045 2103 2044 2074 80 3.91 1 2034 コマツ 180 | 6674 0.42 455 463 451 462 17 3.9 1 453 ＧＳユアサ 181 | 8628 0.7 1039 1055 1031 1055 40 3.89 1 1035 松井 182 | 9069 0.37 855 855 834 850 32 3.88 0 834 センコー 183 | 5108 0.57 4100 4178 4073 4145 160 3.88 1 4066 ブリヂストン 184 | 4188 0.54 715 723 707 722 27 3.88 1 708 三菱ケミＨＤ 185 | 9934 0.56 3890 3930 3830 3905 150 3.87 1 3830 因幡電機産業 186 | 4061 0.57 515 522 514 520 19 3.85 1 510 電化 187 | 8316 0.61 5000 5048 4983 5035 193 3.85 1 4940 三井住友ＦＧ 188 | 8439 0.57 3770 3820 3710 3800 145 3.84 1 3729 ＴＣリース 189 | 7520 0.32 1185 1185 1148 1175 44 3.83 1 1153 エコス 190 | 8385 0.64 1392 1401 1359 1392 52 3.81 1 1366 伊予銀 191 | 7262 0.29 1524 1530 1501 1521 57 3.81 0 1492 ダイハツ 192 | 8304 0.41 440 448 440 447 16 3.8 1 439 あおぞら銀 193 | 8473 0.66 1500 1524 1493 1513 56 3.77 1 1485 SBIホールディングス 194 | 6755 0.31 1529 1549 1517 1542 57 3.76 1 1514 富士通ゼ 195 | 7211 0.36 941 971 937 957 35 3.76 0 939 三菱自 196 | 6758 0.42 3160 3194 3111 3169 118 3.76 1 3111 ソニー 197 | 8604 0.63 766 784 764 777 28 3.73 1 763 野村 198 | 8586 0.44 2916 2977 2889 2955 109 3.72 1 2901 日立キャピ 199 | 3405 0.63 1460 1494 1452 1484 54 3.71 1 1457 クラレ 200 | 1719 0.34 784 789 770 782 28 3.71 1 768 安藤ハザマ 201 | 8282 0.31 3785 3860 3765 3825 140 3.69 0 3755 ケーズＨＤ 202 | 8114 0.46 1691 1709 1641 1683 61 3.68 1 1653 デサント 203 | 2395 0.34 489 491 480 490 17 3.67 0 481 新日本科学 204 | 3402 0.52 1073 1092 1067 1089 39 3.67 1 1069 東レ 205 | 4298 0.19 1748 1774 1742 1774 64 3.66 1 1742 プロトコーポレーション 206 | 1812 0.36 678 685 671 685 24 3.65 1 673 鹿島 207 | 7279 0.34 3650 3800 3645 3755 135 3.62 1 3688 ハイレックスコーポレーション 208 | 9783 0.39 3210 3280 3185 3255 115 3.56 1 3197 ベネッセＨＤ 209 | 8331 0.64 895 908 887 901 31 3.55 1 885 千葉銀 210 | 6651 0.5 2337 2357 2311 2337 82 3.55 0 2296 日東工業 211 | 8355 0.63 1308 1313 1281 1304 45 3.53 1 1281 静岡銀 212 | 7313 0.39 3255 3320 3240 3290 115 3.53 1 3233 ＴＳテック 213 | 8354 0.58 599 607 591 602 20 3.49 1 592 ふくおかＦＧ 214 | 9435 0.23 8010 8160 7910 8060 280 3.49 1 7923 光通信 215 | 4902 0.55 1320 1354 1316 1345 46 3.49 0 1322 コニカミノル 216 | 6412 0.39 2380 2399 2351 2389 82 3.47 0 2348 平和 217 | 9810 0.36 403 409 400 405 13 3.46 1 398 日鉄住金物 218 | 5970 0.39 1211 1251 1195 1242 42 3.46 1 1221 ジーテクト 219 | 7832 0.31 2890 2890 2798 2840 97 3.45 1 2791 バンナムＨＤ 220 | 3436 0.39 1085 1125 1069 1102 37 3.45 0 1083 SUMCO 221 | 8273 0.47 5280 5280 5170 5260 180 3.44 1 5171 イズミ 222 | 6273 0.57 29675 30315 29420 30070 1030 3.43 1 29558 ＳＭＣ 223 | 4578 0.42 4160 4160 4009 4093 139 3.42 1 4025 大塚ＨＤ 224 | 7259 0.46 4395 4460 4365 4430 150 3.41 0 4355 アイシン 225 | 8801 0.62 3422 3442 3396 3432 116 3.41 1 3374 三井不 226 | 4726 0.48 1269 1276 1221 1270 42 3.39 1 1249 ソフトバンク・テクノロジー 227 | 7974 0.43 24490 24685 23700 24170 815 3.38 0 23774 任天堂 228 | 9449 0.31 1712 1727 1679 1721 57 3.37 0 1693 ＧＭＯ 229 | 4521 0.31 5650 5670 5490 5670 190 3.37 0 5580 科研薬 230 | 4569 0.39 2118 2128 2092 2127 70 3.34 0 2092 キョーリン 231 | 8795 0.62 1646 1650 1624 1647 54 3.34 1 1620 Ｔ＆Ｄ 232 | 2327 0.4 4615 4705 4540 4665 155 3.34 1 4589 新日鉄住金ソリューションズ 233 | 3289 0.55 838 847 836 841 27 3.33 1 827 東急不ＨＤ 234 | 8036 0.51 2753 2800 2750 2789 92 3.33 1 2743 日立ハイテク 235 | 2503 0.48 1760 1780 1753 1777 58 3.32 1 1748 キリンＨＤ 236 | 1881 0.3 2029 2064 2014 2049 67 3.32 1 2015 ＮＩＰＰＯ 237 | 9936 0.33 3940 4005 3880 4000 130 3.28 1 3935 王将フード 238 | 3626 0.36 2832 2850 2791 2843 92 3.27 1 2797 ITホールディングス 239 | 9048 0.45 487 490 480 490 15 3.27 1 482 名鉄 240 | 6762 0.68 7580 7740 7530 7680 250 3.27 0 7555 ＴＤＫ 241 | 7276 0.49 4150 4190 4065 4160 135 3.27 1 4093 小糸製 242 | 8028 0.32 5590 5630 5500 5610 180 3.23 1 5520 ファミリーＭ 243 | 9041 0.5 430 434 422 434 13 3.23 1 427 近鉄ＧＨＤ 244 | 6473 0.52 1735 1759 1724 1748 55 3.2 1 1720 ジェイテクト 245 | 6971 0.65 6007 6124 5981 6100 193 3.18 1 6004 京セラ 246 | 4613 0.51 1927 1947 1912 1926 60 3.17 1 1896 関西ペ 247 | 6501 0.61 693 702 690 697 21 3.16 1 686 日立 248 | 5949 0.36 2281 2341 2241 2285 71 3.15 1 2249 ユニプレス 249 | 7518 0.3 728 738 724 734 22 3.13 1 723 ネットワンシステムズ 250 | 1722 0.46 853 873 843 863 26 3.13 1 850 ミサワホーム 251 | 8309 0.59 511 515 509 512 15 3.12 1 504 三井住友トラ 252 | 3656 0.14 1480 1494 1442 1474 45 3.12 0 1452 KLab 253 | 9602 0.45 2733 2770 2700 2756 85 3.12 1 2713 東宝 254 | 3632 0.2 574 586 571 581 17 3.1 1 572 グリー 255 | 8729 0.46 2250 2270 2226 2269 69 3.09 1 2234 ソニーＦＨ 256 | 9064 0.48 2342 2366 2324 2364 72 3.09 1 2328 ヤマトＨＤ 257 | 9503 0.41 1537 1566 1516 1551 47 3.09 1 1528 関西電力 258 | 2681 0.29 1845 1876 1811 1844 56 3.09 1 1817 ゲオＨＤ 259 | 8425 0.54 2532 2558 2504 2535 77 3.08 1 2496 興銀リース 260 | 3668 0.34 2171 2199 2152 2173 66 3.08 0 2140 コロプラ 261 | 4063 0.64 6713 6799 6653 6792 207 3.06 1 6688 信越化 262 | 6425 0.3 2382 2439 2366 2403 71 3 1 2370 ユニバーサル 263 | 4206 0.48 2579 2612 2570 2606 77 2.99 1 2568 アイカ 264 | 9065 0.26 604 613 601 605 17 2.98 1 596 山九 265 | 7606 0.23 4675 4780 4610 4745 140 2.97 0 4675 Ｕアローズ 266 | 9375 0.49 4540 4615 4460 4580 135 2.97 0 4513 近鉄エクス 267 | 8591 0.6 1668 1673 1638 1651 48 2.97 1 1627 オリックス 268 | 1925 0.56 3007 3034 2955 2994 87 2.94 1 2951 ハウス 269 | 8051 0.53 954 963 933 957 27 2.93 1 943 山善 270 | 5938 0.29 2439 2475 2408 2460 71 2.93 1 2424 ＬＩＸＩＬグ 271 | 7458 0.21 4450 4520 4445 4485 130 2.92 0 4420 第一興商 272 | 5986 0.44 305 310 304 310 8 2.9 1 306 パイオラックス 273 | 7860 0.22 1536 1589 1536 1571 44 2.86 1 1549 エイベＧＨＤ 274 | 8593 0.59 597 603 589 597 16 2.85 1 589 三菱Ｕリース 275 | 1802 0.43 1062 1070 1047 1054 29 2.85 1 1039 大林組 276 | 4722 0.38 700 707 686 702 19 2.85 1 692 フューチャーアーキテクト 277 | 4528 0.36 15600 15680 15340 15560 440 2.83 1 15344 小野薬 278 | 8601 0.7 845 861 844 850 23 2.82 1 838 大和 279 | 8358 0.6 2380 2390 2343 2376 66 2.82 1 2343 スルガ銀 280 | 4530 0.38 4120 4175 4095 4150 115 2.8 0 4093 久光薬 281 | 8933 0.5 1143 1149 1130 1144 31 2.8 1 1128 ＮＴＴ都市 282 | 8697 0.66 3830 3845 3760 3795 105 2.79 1 3743 日本取引所 283 | 3099 0.52 1940 1952 1912 1939 53 2.78 1 1912 三越伊勢丹 284 | 4968 0.44 1128 1128 1103 1117 30 2.78 0 1102 荒川化学工業 285 | 8129 0.3 2719 2719 2643 2710 74 2.77 1 2673 東邦ＨＤ 286 | 8515 0.37 465 494 461 473 12 2.75 1 467 アイフル 287 | 4676 0.27 1415 1429 1406 1418 38 2.75 1 1399 フジＨＤ 288 | 2802 0.52 2653 2661 2597 2642 71 2.73 1 2606 味の素 289 | 3092 0.31 3725 3745 3660 3730 100 2.71 0 3681 スタートトゥ 290 | 8870 0.44 3160 3180 3130 3175 85 2.71 1 3132 住友販売 291 | 3861 0.38 556 562 554 560 14 2.68 0 553 王子ＨＤ 292 | 2801 0.59 3915 3955 3825 3950 105 2.68 1 3898 キッコマン 293 | 7245 0.47 1091 1105 1073 1087 28 2.67 1 1073 大同メ 294 | 7701 0.49 1777 1777 1720 1762 46 2.67 1 1739 島津製作所 295 | 2914 0.37 4309 4310 4236 4300 113 2.65 1 4244 ＪＴ 296 | 6754 0.29 796 804 790 797 20 2.63 1 787 アンリツ 297 | 9613 0.69 5740 5780 5690 5770 150 2.62 1 5695 ＮＴＴデータ 298 | 4812 0.35 1411 1423 1383 1413 36 2.62 1 1395 電通国際情報サービス 299 | 4151 0.45 2056 2068 2025 2065 53 2.62 1 2039 協和キリン 300 | 8802 0.53 2659 2663 2613 2651 68 2.6 1 2617 菱地所 301 | 4204 0.57 1348 1366 1343 1357 34 2.58 1 1340 積水化 302 | 7240 0.5 3040 3080 3005 3025 77 2.58 1 2986 ＮＯＫ 303 | 4543 0.68 3350 3360 3315 3340 85 2.57 1 3297 テルモ 304 | 4719 0.34 1752 1770 1724 1756 44 2.56 1 1734 アルファシステムズ 305 | 3382 0.58 5393 5410 5298 5372 136 2.55 1 5304 セブン＆アイ 306 | 4540 0.38 2715 2725 2672 2707 68 2.55 1 2673 ツムラ 307 | 4201 0.38 870 889 852 867 21 2.54 1 856 日合成 308 | 4507 0.49 4800 4815 4695 4775 120 2.53 1 4716 塩野義 309 | 8218 0.36 2739 2742 2663 2726 68 2.53 1 2692 コメリ 310 | 4922 0.31 12000 12050 11650 11920 300 2.53 1 11785 コーセー 311 | 2359 0.33 830 837 825 833 20 2.52 1 823 コア 312 | 2695 0.34 3440 3440 3355 3415 85 2.52 1 3373 くらコーポレーション 313 | 6256 0.26 4750 4870 4680 4800 120 2.52 1 4740 ニューフレア 314 | 4568 0.41 2310 2324 2276 2310 57 2.51 1 2282 第一三共 315 | 6417 0.4 4575 4630 4530 4615 115 2.51 1 4557 ＳＡＮＫＹＯ 316 | 4272 0.5 1240 1266 1225 1244 30 2.49 1 1229 日化薬 317 | 9086 0.43 2017 2022 1967 2014 49 2.48 1 1989 日立物流 318 | 3765 0.13 361 371 360 364 8 2.47 1 360 ガンホー 319 | 8508 0.26 1010 1022 1000 1019 24 2.45 1 1007 Ｊトラスト 320 | 9984 0.44 7130 7160 7080 7125 173 2.44 1 7038 ソフトバンク 321 | 6988 0.64 8420 8441 8214 8354 203 2.44 1 8254 日東電 322 | 9532 0.47 491 499 486 494 11 2.43 1 489 大ガス 323 | 9364 0.51 1036 1044 1008 1030 24 2.43 1 1018 上組 324 | 3197 0.26 1799 1820 1769 1808 43 2.43 1 1786 すかいらーく 325 | 5110 0.46 1724 1735 1710 1725 41 2.43 1 1704 住友ゴ 326 | 4641 0.31 2533 2533 2461 2513 60 2.43 1 2484 アルプス技研 327 | 9022 0.53 20040 20050 19630 19960 480 2.41 1 19725 ＪＲ東海 328 | 3911 0.18 1210 1228 1194 1208 28 2.4 0 1194 Aiming 329 | 9948 0.35 2371 2385 2321 2376 56 2.4 0 2348 アークス 330 | 2726 0.18 3615 3615 3515 3590 85 2.4 1 3548 パル 331 | 2269 0.46 19600 19700 19150 19670 470 2.39 1 19442 明治ＨＤ 332 | 9831 0.34 460 467 454 464 10 2.37 1 459 ヤマダ電 333 | 1928 0.47 1820 1821 1790 1812 42 2.37 1 1791 積ハウス 334 | 7731 0.4 1567 1585 1538 1565 36 2.36 1 1547 ニコン 335 | 4634 0.61 454 472 454 471 10 2.34 1 466 洋インキＨＤ 336 | 9603 0.33 4190 4195 4065 4135 95 2.32 1 4088 ＨＩＳ 337 | 8253 0.58 2452 2472 2428 2456 56 2.32 1 2428 クレセゾン 338 | 8766 0.57 4930 4932 4824 4896 112 2.31 1 4841 東京海上 339 | 9045 0.51 779 781 760 780 17 2.31 1 771 京阪電 340 | 9042 0.61 740 740 722 735 16 2.31 1 727 阪急阪神 341 | 9005 0.55 874 874 853 869 19 2.3 1 859 東急 342 | 7628 0.45 1407 1407 1378 1395 31 2.29 0 1379 オーハシテクニカ 343 | 8830 0.62 4163 4178 4118 4165 94 2.28 1 4119 住友不 344 | 9513 0.37 3785 3820 3740 3800 85 2.26 1 3757 Ｊパワー 345 | 6460 0.4 1280 1298 1280 1292 28 2.24 1 1278 セガサミー 346 | 9007 0.58 1125 1132 1107 1119 24 2.23 1 1107 小田急 347 | 3905 0.13 584 635 572 586 12 2.22 0 580 データセクション 348 | 3141 0.27 5530 5540 5410 5460 120 2.22 1 5402 ウエルシア 349 | 8267 0.43 1838 1852 1805 1844 40 2.22 1 1824 イオン 350 | 3291 0.36 2065 2084 2043 2068 45 2.22 1 2046 飯田ＧＨＤ 351 | 4502 0.51 6010 6010 5902 5966 131 2.21 1 5901 武田 352 | 9640 0.11 1170 1226 1170 1226 26 2.2 1 1213 セゾン情報システムズ 353 | 1878 0.34 13265 13350 13190 13255 290 2.2 1 13110 大東建 354 | 6471 0.54 1542 1568 1524 1552 33 2.19 1 1535 日精工 355 | 5334 0.42 3040 3060 2974 3025 65 2.18 1 2992 特殊陶 356 | 9735 0.72 7696 7723 7584 7712 166 2.17 1 7629 セコム 357 | 8840 0.47 188 192 187 187 3 2.14 0 185 大京 358 | 9076 0.26 1364 1376 1341 1355 28 2.14 1 1341 セイノーホールディングス 359 | 9739 0.41 998 998 970 988 20 2.13 1 978 NSW 360 | 3512 0.44 510 524 510 519 10 2.12 1 514 日本フェルト 361 | 8227 0.34 11400 11480 11270 11420 240 2.11 1 11301 しまむら 362 | 9531 0.47 660 670 654 663 13 2.11 1 656 東ガス 363 | 3903 0.04 1236 1250 1210 1240 25 2.1 1 1227 gumi 364 | 8905 0.45 2078 2089 2051 2059 42 2.09 1 2038 イオンモール 365 | 7459 0.48 2130 2135 2069 2107 42 2.04 1 2086 メディパル 366 | 8214 0.35 1467 1485 1435 1467 29 2.04 1 1452 ＡＯＫＩＨＤ 367 | 5214 0.37 542 551 533 540 10 2.04 0 535 日電硝 368 | 3788 0.4 796 796 776 791 15 2.02 1 783 GMOクラウド 369 | 7947 0.3 4275 4280 4170 4255 85 2.02 1 4212 エフピコ 370 | 9003 0.53 702 702 687 696 13 2.01 1 689 相鉄ＨＤ 371 | 4716 0.43 5130 5170 5050 5110 100 1.98 1 5060 日本オラクル 372 | 4519 0.6 4650 4675 4545 4610 90 1.97 1 4565 中外薬 373 | 2317 0.42 1140 1140 1105 1121 21 1.96 1 1110 システナ 374 | 5233 0.37 416 419 413 414 7 1.93 1 410 太平洋セメ 375 | 1911 0.61 1360 1362 1337 1350 25 1.93 1 1337 住友林 376 | 1951 0.45 1259 1259 1238 1247 23 1.92 1 1235 協エクシオ 377 | 3738 0.24 2024 2026 1959 1985 37 1.91 1 1967 ティーガイア 378 | 2871 0.48 743 745 725 736 13 1.9 1 729 ニチレイ 379 | 8410 0.39 536 536 524 529 9 1.89 1 524 セブン銀 380 | 9062 0.54 595 595 585 587 10 1.87 1 582 日通 381 | 6367 0.62 7396 7449 7284 7406 137 1.86 0 7337 ダイキン 382 | 2915 0.31 1639 1639 1621 1633 29 1.84 1 1618 ケンコーマヨネーズ 383 | 2809 0.34 2622 2644 2550 2637 47 1.82 1 2614 キユーピー 384 | 5105 0.41 2713 2731 2672 2703 48 1.81 1 2679 洋ゴム 385 | 8750 0.58 2260 2263 2192 2225 39 1.8 1 2206 第一生命 386 | 7752 0.34 1163 1183 1153 1177 20 1.78 0 1167 リコー 387 | 7595 0.48 1725 1725 1694 1715 29 1.75 1 1700 アルゴグラフィックス 388 | 9021 0.43 8259 8277 8100 8190 139 1.71 1 8122 ＪＲ西日本 389 | 4348 0.28 1160 1176 1134 1168 19 1.71 1 1158 インフォコム 390 | 4684 0.44 5450 5450 5300 5390 90 1.69 1 5345 オービック 391 | 8056 0.44 1294 1314 1280 1288 20 1.63 1 1278 日本ユニシス 392 | 4704 0.61 4365 4380 4315 4355 70 1.63 1 4320 トレンド 393 | 9719 0.47 4425 4435 4280 4355 70 1.63 1 4320 ＳＣＳＫ 394 | 2131 0.2 1240 1249 1212 1233 19 1.62 1 1223 アコーディア 395 | 9787 0.3 3865 3865 3775 3795 60 1.61 1 3765 イオンディラ 396 | 4612 0.42 2586 2595 2521 2556 40 1.6 1 2536 日本ペＨＤ 397 | 7420 0.55 870 879 867 875 13 1.6 0 868 佐鳥電機 398 | 3003 0.45 1134 1137 1115 1125 17 1.6 1 1116 ヒューリック 399 | 8270 0.46 769 775 752 765 11 1.57 1 759 ユニーＧＨＤ 400 | 6952 0.42 2382 2404 2346 2368 36 1.56 1 2350 カシオ 401 | 2502 0.41 3948 3951 3865 3922 59 1.53 1 3893 アサヒ 402 | 3086 0.55 2001 2004 1943 1971 28 1.47 1 1957 Ｊフロント 403 | 8876 0.38 12530 12740 12170 12440 180 1.45 1 12354 リロＨＬＤ 404 | 8572 0.47 560 564 554 557 7 1.44 1 553 アコム 405 | 4681 0.38 3210 3235 3155 3195 45 1.44 1 3172 リゾートトラ 406 | 8043 0.34 354 354 340 347 4 1.44 1 345 スターゼン 407 | 4527 0.34 2102 2109 2051 2090 29 1.44 1 2075 ロート 408 | 9501 0.4 846 853 828 842 11 1.43 0 836 東京電力 409 | 4506 0.46 1318 1331 1307 1328 18 1.43 1 1319 大日本住友製薬 410 | 3048 0.22 1185 1208 1182 1195 16 1.42 1 1187 ビックカメラ 411 | 9843 0.44 10060 10180 9810 9950 140 1.42 1 9881 ニトリＨＤ 412 | 2413 0.32 2743 2745 2651 2700 36 1.37 0 2682 エムスリー 413 | 9432 0.4 8953 9147 8939 9075 122 1.36 1 8824 ＮＴＴ 414 | 4503 0.5 1821 1821 1781 1804 23 1.33 1 1792 アステラス 415 | 1721 0.36 1534 1544 1516 1524 19 1.31 1 1514 コムシスＨＤ 416 | 2651 0.37 8550 8600 8450 8510 110 1.3 0 8455 ローソン 417 | 9001 0.5 545 547 538 542 6 1.29 1 539 東武 418 | 2121 0.14 4350 4390 4275 4330 55 1.29 0 4302 ミクシィ 419 | 8184 0.44 2907 2961 2907 2956 35 1.22 1 2938 島忠 420 | 6869 0.47 7580 7590 7320 7450 90 1.22 1 7405 シスメックス 421 | 9020 0.55 11430 11480 11180 11265 135 1.21 1 11198 ＪＲ東日本 422 | 3360 0.44 2656 2656 2587 2627 30 1.18 1 2612 シップＨＤ 423 | 4927 0.34 7260 7390 7130 7200 80 1.12 1 7161 ポーラ・オルビスホールディングス 424 | 9008 0.57 934 934 912 923 9 1.08 1 918 京王 425 | 4452 0.46 5717 5755 5600 5677 60 1.07 1 5647 花王 426 | 6594 0.45 9690 9696 9425 9584 102 1.07 1 9533 日電産 427 | 9983 0.67 50880 51090 50070 50830 540 1.06 0 50561 ファストリ 428 | 2897 0.42 5830 5830 5680 5740 60 1.06 1 5710 日清食ＨＤ 429 | 8233 0.5 1072 1073 1052 1059 10 1.04 1 1054 高島屋 430 | 2267 0.48 6930 6940 6770 6860 70 1.03 1 6825 ヤクルト 431 | 4581 0.5 7760 7860 7720 7840 80 1.03 1 7800 大正薬ＨＤ 432 | 2702 0.24 2640 2653 2615 2653 26 1.02 1 2640 マクドナルド 433 | 3231 0.48 2303 2327 2264 2278 22 1.01 1 2267 野村不ＨＤ 434 | 6370 0.45 2464 2541 2464 2527 24 0.99 1 2515 栗田工 435 | 4967 0.41 9430 9450 9130 9320 90 0.98 1 9275 小林製薬 436 | 2282 0.37 2822 2822 2732 2798 26 0.96 1 2785 日ハム 437 | 9301 0.57 1512 1519 1482 1498 13 0.93 1 1491 三菱倉庫 438 | 2875 0.42 4510 4530 4410 4455 40 0.92 1 4435 東洋水 439 | 5947 0.28 9100 9180 8930 9000 80 0.9 1 8960 リンナイ 440 | 2782 0.05 5780 5780 5690 5750 50 0.89 1 5725 セリア 441 | 2229 0.38 4715 4715 4570 4630 40 0.89 1 4610 カルビー 442 | 2674 0.45 1475 1475 1429 1453 11 0.83 1 1447 ハードオフコーポレーション 443 | 2371 0.35 1975 1978 1906 1934 15 0.83 0 1926 カカクコム 444 | 4555 0.38 7750 7790 7600 7660 60 0.8 0 7630 沢井製薬 445 | 4837 0.19 517 518 515 516 3 0.78 1 514 シダックス 446 | 2294 0.22 1877 1898 1877 1890 13 0.74 1 1883 柿安本店 447 | 7649 0.38 5860 5860 5730 5780 40 0.71 1 5760 スギＨＤ 448 | 3088 0.31 5920 5920 5720 5760 40 0.71 1 5740 マツキヨＨＤ 449 | 3064 0.27 6140 6180 6010 6080 40 0.67 0 6061 モノタロウ 450 | 9404 0.44 2130 2147 2078 2093 13 0.67 1 2086 日テレＨＤ 451 | 5929 0.45 912 913 879 902 5 0.67 0 899 三和ホールディングス 452 | 3817 0.4 2145 2170 2128 2140 12 0.61 1 2134 SRAホールディングス 453 | 4544 0.5 5310 5350 5210 5250 30 0.59 1 5235 みらかＨＤ 454 | 7741 0.49 4798 4799 4689 4721 26 0.57 1 4708 ＨＯＹＡ 455 | 2331 0.4 5140 5200 5030 5070 20 0.41 1 5060 ALSOK 456 | 6479 0.41 1544 1565 1488 1509 5 0.4 0 1506 ミネベア 457 | 7532 0.37 10460 10630 10460 10500 40 0.39 1 10228 ドンキＨＤ 458 | 4911 0.39 2701 2720 2590 2634 8 0.34 1 2630 資生堂 459 | 1808 0.49 1484 1490 1439 1462 4 0.34 1 1460 長谷工 460 | 5332 0.49 1818 1847 1791 1800 5 0.33 1 1797 ＴＯＴＯ 461 | 2670 0.29 7320 7370 7180 7210 20 0.29 1 7200 ＡＢＣマート 462 | 3349 0.16 15230 15250 14830 14970 40 0.27 1 14950 コスモス薬品 463 | 2780 0.22 3150 3155 2958 3015 5 0.2 0 3012 エンカレッジ・テクノロジ 464 | 4761 -0.1 661 661 661 661 0 0.15 1 660 さくらケーシーエス 465 | 9009 0.43 1352 1357 1315 1324 1 0.15 1 1323 京成 466 | 4793 0.14 920 922 902 907 0 0.11 1 906 富士通ビー・エス・シー 467 | 4912 0.41 1086 1089 1048 1056 0 0.09 1 1056 ライオン 468 | 6289 0.12 1516 1580 1515 1542 -3 -0.13 1 1543 技研製作所 469 | 9468 0.23 1460 1463 1423 1428 -3 -0.14 1 1429 カドカワドワンゴ 470 | 9962 0.46 5480 5550 5450 5480 -10 -0.16 1 5475 ミスミＧ 471 | 4666 0.2 2400 2405 2342 2352 -10 -0.38 1 2356 パーク２４ 472 | 3641 0.11 3485 3485 3380 3400 -15 -0.41 0 3406 パピレス 473 | 9956 0.42 3490 3490 3335 3365 -20 -0.56 1 3374 バロー 474 | 9437 0.39 2549 2557 2482 2512 -17 -0.64 1 2520 ＮＴＴドコモ 475 | 4832 0.06 1160 1180 1160 1180 -10 -0.76 1 1184 JFEシステムズ 476 | 9202 0.52 366 368 352 354 -5 -1.13 1 356 ＡＮＡＨＤ 477 | 8570 0.54 2813 2822 2686 2703 -32 -1.15 1 2718 イオンＦＳ 478 | 2412 0.25 2171 2200 2100 2145 -26 -1.17 1 2157 ベネフィット・ワン 479 | 3391 0.29 9930 9960 9520 9560 -210 -2.19 1 9663 ツルハＨＤ 480 | 4283 0.55 3820 3825 3765 3775 -95 -2.49 0 3942 パナソニックIS 481 | 9989 0.35 7000 7020 6520 6620 -200 -3.01 1 6717 サンドラッグ 482 | 4768 0.29 6340 6460 6250 6330 -210 -3.3 1 6433 大塚商会 483 | 5101 0.44 1361 1361 1317 1319 -59 -4.4 1 1336 浜ゴム 484 | 4572 0.11 3250 3295 2974 2994 -161 -5.34 0 3005 カルナバイオサイエンス 485 | -------------------------------------------------------------------------------- /ruby/jpstock/data/summary.csv.20150911.csv: -------------------------------------------------------------------------------- 1 | Code Corr Open High Low Close Change Ratio Trend Pred Name 2 | 3291 0.39 1855 2037 1852 1978 163 8.29 0 1898 飯田ＧＨＤ 3 | 3064 0.27 5070 5640 5070 5470 400 7.33 0 5283 モノタロウ 4 | 8572 0.5 521 552 518 550 39 7.27 0 530 アコム 5 | 4751 0.4 4575 4840 4570 4765 305 6.42 0 4613 サイバー 6 | 6093 0.17 8850 9300 8810 9100 550 6.05 0 8850 エスクロー・エージェント・ジャパン 7 | 4572 0.13 2390 2650 2390 2560 152 5.98 0 2504 カルナバイオサイエンス 8 | 2780 0.25 2744 2957 2731 2953 174 5.93 0 2866 エンカレッジ・テクノロジ 9 | 7593 0.21 630 687 630 679 39 5.89 0 660 ＶＴＨＤ 10 | 3793 0.16 738 778 735 767 44 5.87 0 745 ドリコム 11 | 3799 0.23 520 567 520 554 31 5.78 1 538 キーウェアソリューションズ 12 | 8515 0.39 413 436 411 434 23 5.53 0 422 アイフル 13 | 2412 0.27 2058 2224 2058 2169 111 5.16 1 2116 ベネフィット・ワン 14 | 8570 0.53 2582 2648 2577 2639 132 5.04 0 2574 イオンＦＳ 15 | 9843 0.47 9810 10320 9720 10230 510 5.0 0 9979 ニトリＨＤ 16 | 2395 0.38 414 442 414 437 20 4.81 0 427 新日本科学 17 | 7606 0.25 4450 4650 4440 4600 220 4.8 1 4491 Ｕアローズ 18 | 8897 0.41 545 578 542 567 26 4.76 1 554 タカラレーベ 19 | 9684 0.33 3125 3240 3090 3205 150 4.71 0 3130 スクウェア・エニックス・ホールディングス 20 | 4968 0.44 1026 1094 1026 1084 49 4.61 0 1059 荒川化学工業 21 | 3817 0.42 2098 2200 2066 2177 97 4.5 0 2129 SRAホールディングス 22 | 9449 0.33 1495 1605 1486 1573 69 4.45 0 1539 ＧＭＯ 23 | 9831 0.37 460 478 457 472 20 4.45 0 462 ヤマダ電 24 | 6289 0.13 1537 1607 1534 1597 69 4.38 1 1562 技研製作所 25 | 3641 0.13 3235 3380 3165 3380 145 4.32 1 3308 パピレス 26 | 9069 0.38 884 897 877 889 37 4.27 1 870 センコー 27 | 4719 0.36 1850 1938 1821 1903 80 4.26 1 1863 アルファシステムズ 28 | 8876 0.39 10930 11660 10930 11600 490 4.23 0 11363 リロＨＬＤ 29 | 3664 0.02 540 560 540 552 22 4.17 1 541 モブキャスト 30 | 4521 0.35 5500 5940 5500 5810 240 4.15 0 5695 科研薬 31 | 4587 0.17 14110 14920 14020 14730 590 4.01 1 14495 ペプチドリーム 32 | 2317 0.42 1145 1206 1141 1189 46 3.95 1 1166 システナ 33 | 4812 0.37 1405 1480 1405 1468 57 3.95 0 1439 電通国際情報サービス 34 | 3088 0.31 5050 5420 5040 5360 210 3.94 0 5256 マツキヨＨＤ 35 | 3907 0.28 3490 3740 3490 3700 140 3.81 0 3630 シリコンスタジオ 36 | 1925 0.56 2978 3074 2952 3048 112 3.71 1 2993 ハウス 37 | 7459 0.51 2016 2075 2004 2070 74 3.62 0 2033 メディパル 38 | 8508 0.25 1092 1141 1090 1134 40 3.62 0 1114 Ｊトラスト 39 | 8129 0.31 2579 2706 2571 2687 96 3.61 0 2639 東邦ＨＤ 40 | 6094 0.02 1171 1240 1171 1212 42 3.55 0 1191 フリークアウト 41 | 4777 0.23 792 840 792 815 27 3.44 0 804 ガーラ 42 | 4832 0.03 1050 1112 1050 1111 37 3.42 0 1092 JFEシステムズ 43 | 3141 0.29 5250 5470 5170 5390 180 3.36 0 5302 ウエルシア 44 | 3632 0.25 567 595 567 586 18 3.24 1 577 グリー 45 | 6136 0.38 2254 2304 2232 2286 73 3.24 0 2250 ＯＳＧ 46 | 9600 0.49 1225 1235 1210 1234 39 3.24 1 1215 アイネット 47 | 9603 0.36 3605 3810 3605 3795 120 3.19 0 3735 ＨＩＳ 48 | 9422 0.35 1210 1273 1210 1259 39 3.18 0 1239 コネクシオ 49 | 4722 0.41 733 744 723 740 22 3.11 0 729 フューチャーアーキテクト 50 | 4922 0.34 9990 10710 9990 10510 320 3.05 0 10359 コーセー 51 | 8270 0.47 698 733 698 730 21 3.01 0 719 ユニーＧＨＤ 52 | 7860 0.24 1579 1612 1564 1570 46 2.99 0 1547 エイベＧＨＤ 53 | 4641 0.32 2170 2297 2170 2268 66 2.95 0 2235 アルプス技研 54 | 8933 0.52 1097 1143 1090 1120 32 2.95 0 1104 ＮＴＴ都市 55 | 7832 0.33 2862 2966 2854 2896 84 2.94 0 2854 バンナムＨＤ 56 | 3738 0.27 1840 1902 1820 1882 54 2.92 0 1855 ティーガイア 57 | 2432 0.36 2280 2396 2263 2361 68 2.92 1 2327 ディーエヌエ 58 | 9766 0.38 2632 2690 2604 2673 76 2.88 0 2634 コナミ 59 | 3391 0.3 9280 9570 9180 9450 270 2.87 0 9316 ツルハＨＤ 60 | 8267 0.45 1717 1790 1711 1776 50 2.87 0 1751 イオン 61 | 4927 0.36 7040 7180 6950 7140 200 2.82 0 7041 ポーラ・オルビスホールディングス 62 | 9956 0.43 2803 2960 2803 2934 81 2.79 0 2894 バロー 63 | 4708 0.29 1265 1269 1234 1253 34 2.79 0 1236 もしもしＨＬ 64 | 7309 0.48 16200 16730 16080 16570 460 2.78 0 16342 シマノ 65 | 8905 0.46 1852 1961 1852 1942 52 2.73 0 1916 イオンモール 66 | 3197 0.28 1683 1716 1670 1688 45 2.73 1 1665 すかいらーく 67 | 1911 0.62 1349 1374 1334 1362 36 2.72 0 1344 住友林 68 | 6727 0.23 430 449 430 445 11 2.7 0 439 ワコム 69 | 1928 0.48 1798 1840 1793 1809 47 2.65 0 1786 積ハウス 70 | 2327 0.41 4420 4660 4420 4645 120 2.6 0 4586 新日鉄住金ソリューションズ 71 | 8056 0.46 1200 1252 1198 1243 31 2.57 0 1227 日本ユニシス 72 | 8628 0.71 1042 1081 1042 1076 26 2.51 0 1063 松井 73 | 8473 0.68 1369 1419 1363 1398 34 2.5 0 1381 SBIホールディングス 74 | 8840 0.49 197 202 197 200 4 2.5 0 198 大京 75 | 4768 0.29 5970 6130 5930 6060 150 2.49 0 5985 大塚商会 76 | 4519 0.61 4190 4315 4160 4260 105 2.49 0 4207 中外薬 77 | 9719 0.47 4000 4125 3980 4060 100 2.49 1 4010 ＳＣＳＫ 78 | 5986 0.48 286 287 283 286 6 2.45 0 283 パイオラックス 79 | 5947 0.3 9290 9480 9250 9410 230 2.45 1 9296 リンナイ 80 | 3788 0.42 721 739 721 738 17 2.44 1 729 GMOクラウド 81 | 2726 0.19 3410 3575 3410 3535 85 2.43 0 3492 パル 82 | 7520 0.36 1159 1183 1101 1153 27 2.43 0 1139 エコス 83 | 3086 0.57 1778 1824 1761 1811 43 2.43 0 1789 Ｊフロント 84 | 4581 0.52 7400 7550 7400 7510 180 2.41 0 7420 大正薬ＨＤ 85 | 7177 0.35 692 717 692 709 16 2.4 0 701 GMOクリックホールディングス 86 | 3905 0.17 530 557 528 547 12 2.38 1 541 データセクション 87 | 4911 0.45 2389 2462 2376 2415 56 2.36 0 2387 資生堂 88 | 4544 0.52 5110 5200 5100 5140 120 2.35 1 5080 みらかＨＤ 89 | 3048 0.25 1027 1076 1026 1066 24 2.35 0 1054 ビックカメラ 90 | 5713 0.37 1528 1558 1520 1533 35 2.35 0 1515 住友鉱 91 | 4527 0.35 1769 1842 1765 1829 42 2.35 0 1808 ロート 92 | 7518 0.31 710 729 709 727 16 2.34 0 719 ネットワンシステムズ 93 | 4523 0.47 7845 8135 7840 8071 188 2.34 0 7977 エーザイ 94 | 8616 0.66 760 790 760 781 17 2.3 0 772 東海東京 95 | 3774 0.25 2101 2197 2101 2171 49 2.3 0 2146 ＩＩＪ 96 | 8524 0.51 463 483 463 481 10 2.29 0 476 北洋銀 97 | 8334 0.59 765 800 762 797 17 2.26 0 788 群馬銀 98 | 8028 0.35 5310 5440 5270 5400 120 2.24 0 5340 ファミリーＭ 99 | 9375 0.51 4355 4540 4345 4525 100 2.23 0 4475 近鉄エクス 100 | 9021 0.44 7531 7834 7527 7765 171 2.22 0 7680 ＪＲ西日本 101 | 9064 0.52 2328 2415 2327 2396 52 2.21 0 2370 ヤマトＨＤ 102 | 3382 0.59 4978 5048 4922 5018 110 2.21 0 4963 セブン＆アイ 103 | 8377 0.61 263 273 263 271 5 2.21 0 268 ほくほくＦＧ 104 | 8848 0.36 533 557 523 549 11 2.19 0 543 レオパレス 105 | 9076 0.27 1369 1421 1363 1414 30 2.19 0 1399 セイノーホールディングス 106 | 3003 0.5 1030 1065 1027 1052 22 2.19 1 1041 ヒューリック 107 | 8544 0.55 621 641 619 640 13 2.19 0 633 京葉銀 108 | 2413 0.34 2360 2474 2353 2452 50 2.08 0 2427 エムスリー 109 | 7458 0.2 4285 4420 4270 4390 90 2.07 0 4345 第一興商 110 | 8830 0.64 3898 3999 3852 3951 80 2.05 0 3911 住友不 111 | 5929 0.45 875 889 868 882 17 2.04 1 873 三和ホールディングス 112 | 8359 0.59 802 833 797 832 16 2.04 0 824 八十二 113 | 8137 0.52 1004 1055 1004 1045 20 2.01 0 1035 サンワテクノス 114 | 4507 0.53 4730 4900 4700 4835 95 1.99 0 4788 塩野義 115 | 5393 0.35 747 757 734 752 14 1.99 0 745 ニチアス 116 | 8382 0.59 1717 1786 1717 1777 34 1.97 0 1760 中国銀 117 | 8566 0.57 3390 3410 3325 3385 65 1.95 0 3352 リコーリース 118 | 3911 0.21 1225 1259 1191 1240 23 1.94 1 1228 Aiming 119 | 9045 0.52 745 775 745 773 14 1.94 0 766 京阪電 120 | 8697 0.67 3600 3700 3585 3655 70 1.94 0 3620 日本取引所 121 | 3742 0.21 1012 1067 1012 1044 19 1.92 0 1036 ITbook 122 | 7014 0.45 839 858 838 851 15 1.88 0 843 名村造 123 | 8586 0.45 2821 2950 2803 2925 54 1.88 0 2898 日立キャピ 124 | 7453 0.25 22820 23850 22810 23600 440 1.87 0 23386 良品計画 125 | 9065 0.29 593 602 591 597 10 1.84 0 592 山九 126 | 6460 0.43 1242 1290 1242 1264 22 1.82 0 1253 セガサミー 127 | 4116 0.61 531 555 531 548 9 1.82 1 543 大日精化工業 128 | 3765 0.18 376 391 371 384 6 1.82 1 381 ガンホー 129 | 8273 0.48 4635 4850 4635 4790 85 1.8 1 4747 イズミ 130 | 6923 0.43 2400 2420 2326 2392 42 1.8 1 2371 スタンレー 131 | 9602 0.45 2664 2781 2657 2760 48 1.78 0 2736 東宝 132 | 8410 0.4 495 510 495 508 8 1.77 0 504 セブン銀 133 | 3231 0.5 2220 2286 2206 2270 39 1.76 0 2250 野村不ＨＤ 134 | 4578 0.45 4000 4112 3981 4073 70 1.74 0 4038 大塚ＨＤ 135 | 4298 0.19 1507 1521 1487 1502 25 1.73 0 1489 プロトコーポレーション 136 | 7248 0.46 817 828 806 824 13 1.7 0 817 カルソカンセ 137 | 9948 0.36 2210 2255 2196 2247 37 1.69 0 2228 アークス 138 | 9003 0.55 634 659 634 654 10 1.68 0 649 相鉄ＨＤ 139 | 8411 0.67 233 239 233 239 3 1.67 0 237 みずほＦＧ 140 | 5214 0.39 592 619 591 611 9 1.64 1 606 日電硝 141 | 4508 0.47 2136 2222 2120 2208 35 1.63 1 2190 田辺三菱 142 | 8282 0.34 3640 3795 3640 3770 60 1.62 1 3740 ケーズＨＤ 143 | 9989 0.36 6110 6280 6100 6240 100 1.62 0 6190 サンドラッグ 144 | 3360 0.44 2657 2747 2651 2710 43 1.62 1 2688 シップＨＤ 145 | 8425 0.54 2344 2492 2344 2483 39 1.61 0 2463 興銀リース 146 | 4684 0.45 5020 5180 4995 5080 80 1.59 0 5040 オービック 147 | 4452 0.49 5153 5276 5145 5235 82 1.59 0 5194 花王 148 | 9041 0.5 446 447 441 444 6 1.58 1 441 近鉄ＧＨＤ 149 | 7003 0.42 191 193 188 191 2 1.57 1 190 三井造 150 | 4666 0.2 2205 2312 2204 2287 35 1.57 0 2269 パーク２４ 151 | 8333 0.62 623 643 623 642 9 1.56 0 637 常陽銀 152 | 8424 0.49 4375 4610 4375 4585 70 1.55 1 4550 芙蓉リース 153 | 3659 0.41 1643 1708 1627 1680 25 1.55 0 1668 ネクソン 154 | 2371 0.36 1754 1830 1752 1814 27 1.54 0 1800 カカクコム 155 | 1722 0.48 783 791 779 788 11 1.52 0 782 ミサワホーム 156 | 2131 0.26 1174 1203 1171 1196 17 1.51 1 1187 アコーディア 157 | 8327 0.5 319 332 319 331 4 1.51 0 329 西日シ銀 158 | 8802 0.56 2479 2547 2468 2517 37 1.51 0 2498 菱地所 159 | 5186 0.65 2889 2912 2820 2881 42 1.49 0 2860 ニッタ 160 | 9435 0.27 7980 8260 7970 8180 120 1.48 0 8120 光通信 161 | 8331 0.63 860 883 856 880 12 1.48 0 874 千葉銀 162 | 6758 0.45 3094 3225 3084 3179 46 1.48 1 3156 ソニー 163 | 6037 0.29 2000 2070 1990 2029 29 1.48 0 2015 ファーストロジック 164 | 9983 0.67 46160 47860 46060 47620 695 1.46 0 47272 ファストリ 165 | 9007 0.58 1070 1102 1067 1099 15 1.46 0 1091 小田急 166 | 8309 0.59 480 485 473 482 6 1.45 0 479 三井住友トラ 167 | 4755 0.41 1548 1608 1542 1582 22 1.45 0 1571 楽天 168 | 8604 0.64 752 772 738 759 10 1.45 0 754 野村 169 | 4528 0.4 14950 15490 14950 15400 220 1.44 0 15290 小野薬 170 | 3099 0.53 1750 1822 1750 1807 25 1.44 0 1794 三越伊勢丹 171 | 2651 0.39 8350 8530 8320 8460 120 1.43 0 8400 ローソン 172 | 8356 0.63 479 495 479 493 6 1.42 0 490 十六銀 173 | 1808 0.49 1329 1369 1326 1361 18 1.4 0 1352 長谷工 174 | 8355 0.62 1279 1318 1271 1299 17 1.39 0 1290 静岡銀 175 | 3436 0.39 1145 1162 1129 1152 15 1.39 0 1144 SUMCO 176 | 4201 0.4 786 803 786 796 10 1.38 0 791 日合成 177 | 9432 0.38 8953 9147 8939 9075 122 1.36 1 8824 ＮＴＴ 178 | 8609 0.71 716 744 716 737 9 1.36 0 732 岡三 179 | 9086 0.44 1858 1930 1858 1923 25 1.35 0 1910 日立物流 180 | 9031 0.49 575 594 574 592 7 1.35 0 588 西鉄 181 | 8601 0.72 824 834 820 827 10 1.33 0 822 大和 182 | 7649 0.4 5280 5390 5260 5350 70 1.33 0 5315 スギＨＤ 183 | 8385 0.64 1332 1357 1320 1350 17 1.33 0 1341 伊予銀 184 | 9009 0.44 1244 1287 1243 1280 16 1.33 0 1272 京成 185 | 8418 0.61 1431 1475 1431 1470 18 1.29 0 1461 山口ＦＧ 186 | 9787 0.3 3510 3660 3505 3625 45 1.27 0 3602 イオンディラ 187 | 9005 0.56 849 868 848 865 10 1.27 0 860 東急 188 | 9020 0.56 10190 10375 10140 10325 130 1.27 0 10260 ＪＲ東日本 189 | 9613 0.69 5520 5660 5510 5610 70 1.27 0 5575 ＮＴＴデータ 190 | 4506 0.48 1313 1363 1313 1350 16 1.26 0 1342 大日本住友製薬 191 | 7701 0.48 1701 1762 1689 1750 21 1.26 0 1739 島津製作所 192 | 9048 0.49 471 484 470 480 5 1.25 0 477 名鉄 193 | 4568 0.41 2254 2265 2229 2233 27 1.25 0 2219 第一三共 194 | 3626 0.41 2654 2767 2653 2755 32 1.2 1 2739 ITホールディングス 195 | 9042 0.6 729 753 729 750 8 1.2 0 746 阪急阪神 196 | 8801 0.63 3200 3331 3199 3291 38 1.19 0 3272 三井不 197 | 4704 0.63 4225 4320 4215 4295 50 1.19 0 4270 トレンド 198 | 4912 0.43 987 1039 987 1020 11 1.18 0 1014 ライオン 199 | 2871 0.49 667 683 666 676 7 1.18 0 672 ニチレイ 200 | 8306 0.64 758 777 754 771 8 1.17 0 767 三菱ＵＦＪ 201 | 9682 0.41 2753 2825 2753 2812 32 1.17 1 2796 DTS 202 | 2331 0.39 5090 5300 5090 5250 60 1.16 1 5220 ALSOK 203 | 8253 0.59 2264 2305 2248 2290 25 1.14 0 2277 クレセゾン 204 | 4324 0.61 6230 6320 6220 6270 70 1.13 0 6235 電通 205 | 9742 0.43 1036 1075 1036 1063 11 1.13 1 1057 アイネス 206 | 8020 0.51 180 184 179 182 1 1.1 0 181 兼松 207 | 8214 0.39 1430 1474 1428 1466 15 1.09 1 1458 ＡＯＫＩＨＤ 208 | 5105 0.43 2512 2583 2501 2570 27 1.09 1 2556 洋ゴム 209 | 2801 0.6 3300 3405 3295 3325 35 1.08 0 3307 キッコマン 210 | 5201 0.46 722 748 719 744 7 1.08 0 740 旭硝子 211 | 4681 0.38 2885 2978 2880 2966 31 1.08 0 2950 リゾートトラ 212 | 2915 0.35 1558 1599 1558 1588 16 1.07 0 1580 ケンコーマヨネーズ 213 | 4967 0.42 8340 8680 8340 8570 90 1.06 0 8525 小林製薬 214 | 6981 0.44 16265 16635 16115 16450 170 1.04 0 16366 村田製 215 | 2267 0.48 5960 6020 5850 5920 60 1.03 0 5890 ヤクルト 216 | 8379 0.59 665 685 665 681 6 1.03 0 678 広島銀 217 | 8308 0.6 590 604 585 601 5 1.0 0 599 りそなＨＤ 218 | 8870 0.45 3110 3175 3100 3110 30 1.0 0 3095 住友販売 219 | 8114 0.47 1638 1726 1638 1709 16 0.99 0 1701 デサント 220 | 6586 0.42 7090 7220 7070 7160 70 0.99 1 7125 マキタ 221 | 7595 0.5 1719 1720 1702 1718 16 0.99 0 1710 アルゴグラフィックス 222 | 7245 0.47 1014 1035 991 1027 9 0.97 0 1022 大同メ 223 | 7313 0.4 3170 3235 3160 3230 30 0.96 0 3215 ＴＳテック 224 | 8316 0.63 4668 4802 4668 4782 44 0.94 0 4760 三井住友ＦＧ 225 | 2593 0.34 2412 2460 2411 2442 22 0.94 0 2431 伊藤園 226 | 8304 0.42 424 434 424 432 3 0.93 0 430 あおぞら銀 227 | 9008 0.58 852 872 850 867 7 0.92 0 863 京王 228 | 8593 0.62 541 559 540 552 4 0.91 0 550 三菱Ｕリース 229 | 1878 0.33 11950 12365 11950 12280 110 0.9 1 12225 大東建 230 | 6754 0.31 795 802 784 786 6 0.89 1 783 アンリツ 231 | 5332 0.51 1679 1734 1679 1708 14 0.88 0 1701 ＴＯＴＯ 232 | 3861 0.37 574 583 571 578 4 0.87 0 576 王子ＨＤ 233 | 9202 0.53 341 348 338 346 2 0.87 0 345 ＡＮＡＨＤ 234 | 7947 0.31 4195 4315 4195 4300 35 0.84 1 4282 エフピコ 235 | 8303 0.47 252 261 251 256 1 0.78 1 255 新生銀 236 | 8358 0.59 2255 2315 2255 2308 17 0.78 0 2299 スルガ銀 237 | 2359 0.35 786 798 784 791 5 0.76 0 788 コア 238 | 6651 0.5 2056 2140 2056 2120 15 0.75 0 2112 日東工業 239 | 3289 0.56 802 835 802 823 5 0.73 0 820 東急不ＨＤ 240 | 3606 0.41 140 143 140 141 0 0.71 0 140 レナウン 241 | 4555 0.4 7230 7380 7230 7330 50 0.7 0 7305 沢井製薬 242 | 2695 0.34 3700 3790 3700 3765 25 0.69 1 3752 くらコーポレーション 243 | 8591 0.61 1582 1615 1566 1598 10 0.69 0 1593 オリックス 244 | 6674 0.44 438 449 437 448 2 0.67 1 447 ＧＳユアサ 245 | 4726 0.51 1195 1212 1183 1190 7 0.67 0 1186 ソフトバンク・テクノロジー 246 | 8332 0.57 725 747 725 744 4 0.67 0 742 横浜銀 247 | 5938 0.31 2632 2652 2603 2623 16 0.65 0 2615 ＬＩＸＩＬグ 248 | 6465 0.47 7830 7970 7750 7900 50 0.65 1 7875 ホシザキ電機 249 | 4151 0.5 1835 1904 1830 1886 11 0.64 0 1880 協和キリン 250 | 4206 0.49 2380 2432 2377 2411 14 0.62 0 2404 アイカ 251 | 4902 0.55 1301 1325 1294 1312 7 0.61 0 1308 コニカミノル 252 | 8043 0.35 327 334 327 331 1 0.6 0 330 スターゼン 253 | 7279 0.35 3430 3515 3430 3490 20 0.6 1 3480 ハイレックスコーポレーション 254 | 2433 0.54 1178 1187 1162 1176 6 0.6 0 1173 博報堂ＤＹ 255 | 9501 0.42 816 846 815 831 4 0.6 1 829 東京電力 256 | 2294 0.25 1828 1850 1817 1838 10 0.6 0 1833 柿安本店 257 | 8218 0.37 2601 2713 2594 2689 15 0.6 0 2681 コメリ 258 | 9735 0.72 7588 7742 7564 7637 45 0.6 0 7614 セコム 259 | 6755 0.36 1389 1414 1387 1398 7 0.57 0 1394 富士通ゼ 260 | 9468 0.27 1452 1485 1448 1472 7 0.54 1 1468 カドカワドワンゴ 261 | 4534 0.51 7360 7610 7280 7550 40 0.54 0 7530 持田薬 262 | 2181 0.37 4625 4925 4625 4790 25 0.54 0 4777 テンプＨＤ 263 | 5233 0.42 385 396 385 394 1 0.51 1 393 太平洋セメ 264 | 9404 0.44 1968 2020 1968 1985 9 0.5 0 1980 日テレＨＤ 265 | 9062 0.55 596 612 596 608 2 0.49 0 607 日通 266 | 1812 0.39 646 659 646 655 2 0.46 1 654 鹿島 267 | 8002 0.52 659 667 655 664 2 0.45 0 663 丸紅 268 | 3092 0.34 3405 3600 3405 3525 15 0.45 0 3517 スタートトゥ 269 | 4716 0.47 4680 4805 4680 4780 20 0.44 0 4770 日本オラクル 270 | 8439 0.59 3525 3650 3525 3610 15 0.44 0 3602 ＴＣリース 271 | 8227 0.34 11500 11990 11440 11840 50 0.43 1 11815 しまむら 272 | 9739 0.42 955 966 929 931 3 0.43 1 929 NSW 273 | 2269 0.47 16800 17540 16780 17050 70 0.42 0 17015 明治ＨＤ 274 | 6361 0.31 474 486 474 483 1 0.41 0 482 荏原 275 | 3512 0.47 495 498 493 494 1 0.4 0 493 日本フェルト 276 | 5714 0.53 986 999 979 995 3 0.4 0 993 ＤＯＷＡ 277 | 7532 0.35 10460 10630 10460 10500 40 0.39 1 10228 ドンキＨＤ 278 | 8354 0.59 573 587 572 584 1 0.34 0 583 ふくおかＦＧ 279 | 4842 0.28 301 305 300 303 0 0.33 0 303 ＵＳＥＮ 280 | 3407 0.6 904 933 904 916 2 0.33 0 915 旭化成 281 | 4732 0.51 1900 1954 1891 1944 5 0.31 0 1941 ＵＳＳ 282 | 6481 0.42 2038 2042 2003 2017 5 0.3 0 2014 ＴＨＫ 283 | 7205 0.58 1331 1333 1301 1317 3 0.3 0 1315 日野自 284 | 4021 0.66 2720 2743 2704 2729 7 0.29 0 2725 日産化 285 | 6370 0.46 2548 2616 2536 2599 6 0.27 0 2596 栗田工 286 | 6952 0.45 2179 2240 2177 2226 5 0.27 0 2223 カシオ 287 | 7420 0.56 817 833 817 823 1 0.24 0 822 佐鳥電機 288 | 4540 0.39 2690 2751 2680 2740 5 0.22 0 2737 ツムラ 289 | 8233 0.52 930 958 930 950 1 0.21 0 949 高島屋 290 | 4689 0.47 492 503 488 493 0 0.2 1 493 ヤフー 291 | 5949 0.38 2107 2158 2078 2133 3 0.19 0 2131 ユニプレス 292 | 5196 0.31 586 594 576 580 0 0.17 0 579 鬼ゴム 293 | 4231 0.37 670 690 661 671 0 0.15 0 671 タイガースポリマー 294 | 4569 0.41 1985 2025 1984 2006 2 0.15 0 2005 キョーリン 295 | 4530 0.41 4125 4225 4110 4200 5 0.14 0 4197 久光薬 296 | 2802 0.54 2437 2488 2430 2456 2 0.12 0 2455 味の素 297 | 7741 0.52 4160 4245 4145 4206 4 0.12 0 4204 ＨＯＹＡ 298 | 6425 0.33 2206 2293 2200 2253 1 0.09 1 2252 ユニバーサル 299 | 8012 0.68 1396 1433 1396 1426 0 0.07 0 1426 長瀬産業 300 | 8184 0.46 2586 2657 2571 2636 0 0.04 0 2635 島忠 301 | 4307 0.56 4600 4670 4555 4610 0 0.02 0 4610 野村総研 302 | 6201 0.58 5860 5900 5800 5860 0 0.02 0 5859 豊田織 303 | 2670 0.28 6590 6720 6580 6680 0 0.01 0 6680 ＡＢＣマート 304 | 9001 0.51 519 528 519 525 -1 0.0 0 525 東武 305 | 6703 0.44 199 201 198 198 -1 0.0 0 198 ＯＫＩ 306 | 4837 0.24 501 504 501 501 -1 0.0 0 501 シダックス 307 | 2674 0.47 1373 1404 1373 1394 -1 0.0 0 1394 ハードオフコーポレーション 308 | 7752 0.32 1263 1271 1248 1255 -1 0.0 0 1255 リコー 309 | 4061 0.59 491 499 489 491 -1 0.0 0 491 電化 310 | 1952 0.41 942 981 942 956 -1 0.0 1 956 新日本空調 311 | 9364 0.51 997 1022 997 1017 -1 0.0 0 1017 上組 312 | 6412 0.41 2217 2241 2193 2220 -1 0.0 1 2220 平和 313 | 9640 0.13 1210 1220 1209 1209 -1 0.0 0 1209 セゾン情報システムズ 314 | 4004 0.47 137 139 137 138 -1 0.0 0 138 昭電工 315 | 7628 0.48 1267 1309 1267 1292 -1 0.0 0 1292 オーハシテクニカ 316 | 5711 0.45 399 403 395 398 -1 0.0 0 398 三菱マ 317 | 5970 0.4 1249 1280 1249 1277 -2 -0.08 0 1277 ジーテクト 318 | 1417 0.34 1051 1078 1051 1071 -2 -0.09 1 1071 ミライト・ホールディングス 319 | 9936 0.34 3965 4060 3965 4015 -5 -0.1 1 4017 王将フード 320 | 4543 0.69 3240 3295 3230 3250 -5 -0.12 0 3252 テルモ 321 | 4188 0.54 649 666 649 657 -2 -0.15 0 658 三菱ケミＨＤ 322 | 4761 -0.08 658 658 648 656 -2 -0.15 0 656 さくらケーシーエス 323 | 9962 0.44 5480 5550 5450 5480 -10 -0.16 1 5475 ミスミＧ 324 | 9022 0.54 18800 19265 18710 19155 -35 -0.18 0 19172 ＪＲ東海 325 | 2282 0.39 2578 2617 2576 2600 -6 -0.19 0 2602 日ハム 326 | 8051 0.53 965 1013 965 1002 -3 -0.2 0 1003 山善 327 | 1802 0.43 1000 1018 1000 1013 -3 -0.2 1 1014 大林組 328 | 9532 0.48 464 471 461 467 -2 -0.21 0 468 大ガス 329 | 6463 0.5 2645 2718 2645 2702 -7 -0.22 0 2705 ＴＰＲ 330 | 4901 0.55 4692 4799 4682 4752 -12 -0.23 0 4757 富士フイルム 331 | 6366 0.36 878 889 870 877 -3 -0.23 1 878 千代建 332 | 9934 0.58 3710 3810 3710 3770 -10 -0.24 0 3774 因幡電機産業 333 | 8766 0.59 4571 4667 4542 4629 -12 -0.24 0 4634 東京海上 334 | 9810 0.37 397 402 397 398 -2 -0.25 1 398 日鉄住金物 335 | 8750 0.59 2000 2039 1992 2023 -7 -0.3 0 2026 第一生命 336 | 7278 0.47 2705 2717 2677 2699 -9 -0.3 0 2703 エクセディ 337 | 4205 0.44 951 966 947 959 -4 -0.31 0 960 ゼオン 338 | 5401 0.47 249 250 244 245 -2 -0.41 0 246 新日鉄住金 339 | 4088 0.6 1796 1824 1790 1810 -9 -0.44 0 1814 エアウォータ 340 | 6869 0.49 6550 6640 6510 6570 -30 -0.44 0 6584 シスメックス 341 | 9783 0.41 3140 3205 3140 3170 -15 -0.44 0 3177 ベネッセＨＤ 342 | 7451 0.39 2708 2777 2700 2745 -13 -0.44 1 2751 三菱食品 343 | 1605 0.31 1147 1164 1136 1141 -6 -0.44 0 1144 国際石開帝石 344 | 4204 0.59 1340 1358 1313 1318 -7 -0.46 1 1321 積水化 345 | 2229 0.41 4165 4210 4100 4115 -20 -0.46 0 4124 カルビー 346 | 3639 0.19 1519 1548 1477 1511 -8 -0.46 1 1514 ボルテージ 347 | 5108 0.57 4216 4230 4108 4126 -20 -0.46 0 4135 ブリヂストン 348 | 4793 0.16 880 883 873 875 -5 -0.46 0 877 富士通ビー・エス・シー 349 | 4502 0.53 5732 5827 5701 5744 -28 -0.47 0 5757 武田 350 | 2503 0.5 1620 1646 1617 1628 -9 -0.49 0 1632 キリンＨＤ 351 | 3636 0.43 2934 2983 2934 2963 -16 -0.51 1 2970 三菱総合研究所 352 | 5631 0.52 391 399 391 396 -3 -0.51 0 397 日製鋼 353 | 6841 0.55 1337 1358 1337 1353 -8 -0.52 0 1356 横河電 354 | 6417 0.39 4445 4535 4430 4490 -25 -0.53 0 4502 ＳＡＮＫＹＯ 355 | 6762 0.69 7370 7460 7240 7290 -40 -0.53 0 7309 ＴＤＫ 356 | 4202 0.52 1438 1472 1433 1456 -9 -0.55 0 1460 ダイセル 357 | 6752 0.52 1292 1311 1282 1284 -8 -0.55 0 1288 パナソニック 358 | 6371 0.41 912 912 892 898 -6 -0.56 0 900 椿本チ 359 | 2782 0.06 5090 5250 5080 5160 -30 -0.56 1 5174 セリア 360 | 7013 0.53 347 356 346 348 -3 -0.57 0 349 ＩＨＩ 361 | 4503 0.52 1658 1726 1656 1686 -11 -0.59 0 1691 アステラス 362 | 7267 0.52 3686 3754 3680 3719 -23 -0.59 0 3730 ホンダ 363 | 6448 0.44 1707 1709 1653 1656 -11 -0.6 0 1661 ブラザー 364 | 5012 0.24 1167 1186 1161 1175 -8 -0.6 0 1178 東燃ゼネ 365 | 6273 0.58 26595 26725 26405 26530 -165 -0.62 0 26611 ＳＭＣ 366 | 9984 0.45 6456 6748 6363 6513 -42 -0.63 0 6533 ソフトバンク 367 | 9503 0.46 1400 1434 1396 1420 -10 -0.63 0 1425 関西電力 368 | 2809 0.36 2345 2396 2341 2359 -16 -0.64 0 2366 キユーピー 369 | 7012 0.58 448 455 447 450 -4 -0.67 0 451 川重 370 | 8058 0.43 2192 2199 2168 2190 -16 -0.68 0 2198 三菱商 371 | 2702 0.26 2650 2671 2648 2648 -19 -0.68 1 2657 マクドナルド 372 | 5991 0.43 1158 1170 1151 1158 -9 -0.69 0 1162 ニッパツ 373 | 4676 0.29 1434 1461 1423 1445 -11 -0.69 0 1450 フジＨＤ 374 | 6594 0.46 8765 8920 8741 8853 -62 -0.69 0 8883 日電産 375 | 8053 0.5 1300 1304 1283 1290 -10 -0.7 0 1295 住友商 376 | 5857 0.35 1789 1828 1788 1815 -14 -0.72 0 1821 アサヒＨＤ 377 | 5486 0.41 1494 1504 1471 1482 -12 -0.74 0 1487 日立金 378 | 6501 0.61 622 631 621 628 -6 -0.8 0 631 日立 379 | 2768 0.37 247 250 245 246 -3 -0.81 0 247 双日 380 | 7201 0.56 1100 1122 1096 1110 -10 -0.81 0 1115 日産自 381 | 3668 0.37 2027 2078 2020 2049 -18 -0.83 1 2057 コロプラ 382 | 7211 0.37 950 960 944 953 -9 -0.84 0 957 三菱自 383 | 6506 0.53 1291 1316 1291 1302 -12 -0.84 0 1307 安川電 384 | 3116 0.52 1930 1948 1903 1932 -18 -0.88 0 1940 トヨタ紡織 385 | 7276 0.5 3770 3850 3765 3825 -35 -0.89 0 3842 小糸製 386 | 7282 0.54 2340 2367 2324 2350 -22 -0.89 0 2360 豊田合 387 | 1983 0.18 1235 1244 1221 1238 -12 -0.89 0 1243 東芝プラ 388 | 5002 0.34 977 987 975 982 -10 -0.92 0 986 昭和シェル 389 | 4208 0.41 221 224 212 214 -3 -0.93 0 215 宇部興 390 | 6302 0.51 532 541 531 536 -6 -0.93 0 538 住友重 391 | 7272 0.56 2307 2354 2306 2334 -23 -0.94 0 2345 ヤマハ発 392 | 2681 0.32 1707 1772 1691 1760 -18 -0.97 1 1768 ゲオＨＤ 393 | 1801 0.49 782 796 781 785 -9 -1.02 1 789 大成建 394 | 7262 0.31 1457 1470 1447 1454 -16 -1.03 0 1461 ダイハツ 395 | 8729 0.47 2125 2151 2112 2139 -23 -1.03 0 2150 ソニーＦＨ 396 | 6395 0.33 1474 1502 1465 1496 -17 -1.07 0 1504 タダノ 397 | 7483 0.43 2293 2340 2292 2317 -26 -1.08 1 2329 ドウシシャ 398 | 5334 0.43 2884 2902 2841 2851 -33 -1.12 0 2867 特殊陶 399 | 6268 0.47 2267 2300 2264 2266 -27 -1.15 0 2279 ナブテスコ 400 | 6741 0.47 1091 1115 1088 1103 -14 -1.18 0 1109 日本信号 401 | 4091 0.58 1268 1269 1248 1260 -16 -1.19 1 1267 大陽日酸 402 | 7269 0.48 3792 3836 3753 3786 -46 -1.19 0 3809 スズキ 403 | 8031 0.42 1550 1567 1547 1552 -20 -1.22 0 1561 三井物 404 | 4217 0.62 1784 1829 1778 1801 -23 -1.22 0 1812 日立化 405 | 5706 0.36 252 252 242 244 -4 -1.23 0 245 三井金 406 | 4114 0.31 1691 1731 1691 1709 -22 -1.23 1 1719 日触媒 407 | 7270 0.52 4245 4278 4185 4236 -53 -1.23 0 4262 富士重 408 | 7011 0.56 566 574 564 565 -8 -1.24 0 569 三菱重 409 | 6367 0.62 6900 7042 6876 6925 -89 -1.27 1 6969 ダイキン 410 | 6326 0.6 1771 1835 1771 1814 -24 -1.27 0 1826 クボタ 411 | 3402 0.54 1021 1034 1018 1024 -14 -1.27 1 1031 東レ 412 | 6256 0.27 4645 4645 4510 4585 -60 -1.29 0 4614 ニューフレア 413 | 8088 0.53 697 710 696 700 -10 -1.29 1 704 岩谷産 414 | 4063 0.64 6362 6400 6266 6279 -84 -1.32 0 6320 信越化 415 | 2897 0.42 5270 5290 5220 5240 -70 -1.32 0 5274 日清食ＨＤ 416 | 4634 0.62 458 463 454 454 -7 -1.32 1 457 洋インキＨＤ 417 | 5020 0.22 452 456 447 451 -7 -1.33 0 454 ＪＸ 418 | 6645 0.53 4025 4090 4005 4040 -55 -1.34 0 4067 オムロン 419 | 8001 0.41 1403 1432 1401 1413 -20 -1.34 0 1423 伊藤忠 420 | 2502 0.41 3555 3630 3555 3569 -49 -1.34 0 3593 アサヒ 421 | 4613 0.52 1700 1729 1699 1708 -24 -1.35 0 1719 関西ペ 422 | 5110 0.48 1676 1711 1670 1692 -24 -1.36 1 1703 住友ゴ 423 | 1963 0.27 1796 1809 1744 1750 -25 -1.37 0 1762 日揮 424 | 6301 0.45 2015 2022 1995 2002 -29 -1.4 0 2016 コマツ 425 | 7261 0.54 1924 1939 1889 1911 -28 -1.41 0 1924 マツダ 426 | 9437 0.41 2475 2478 2441 2442 -36 -1.43 0 2460 ＮＴＴドコモ 427 | 7203 0.65 7025 7151 7008 7072 -103 -1.44 0 7123 トヨタ 428 | 7974 0.43 23000 23705 23000 23070 -335 -1.45 0 23233 任天堂 429 | 4348 0.29 1155 1175 1154 1165 -18 -1.46 1 1173 インフォコム 430 | 9531 0.48 618 626 616 618 -10 -1.46 0 623 東ガス 431 | 4631 0.53 271 278 270 273 -5 -1.47 0 275 ＤＩＣ 432 | 5411 0.43 1867 1867 1827 1840 -28 -1.47 0 1853 ＪＦＥ 433 | 9301 0.58 1538 1564 1531 1536 -24 -1.5 0 1547 三菱倉庫 434 | 7988 0.49 4115 4225 4115 4180 -65 -1.53 0 4212 ニフコ 435 | 1951 0.45 1167 1197 1166 1178 -19 -1.53 1 1187 協エクシオ 436 | 3349 0.15 14000 14330 14000 14180 -220 -1.54 0 14289 コスモス薬品 437 | 7751 0.45 3642 3712 3625 3633 -57 -1.54 0 3661 キヤノン 438 | 3405 0.66 1418 1439 1413 1425 -23 -1.54 0 1436 クラレ 439 | 4042 0.41 583 592 580 582 -10 -1.55 0 586 東ソー 440 | 1721 0.36 1483 1496 1461 1475 -24 -1.56 1 1486 コムシスＨＤ 441 | 6702 0.36 572 576 569 572 -10 -1.57 0 577 富士通 442 | 8795 0.63 1522 1544 1511 1532 -25 -1.57 0 1544 Ｔ＆Ｄ 443 | 5019 0.21 1940 1955 1917 1931 -32 -1.61 0 1946 出光興産 444 | 4612 0.43 2289 2361 2289 2300 -39 -1.65 0 2319 日本ペＨＤ 445 | 6856 0.52 4110 4165 4085 4095 -70 -1.68 1 4129 堀場製 446 | 6474 0.43 527 538 527 531 -10 -1.69 0 535 不二越 447 | 7242 0.5 354 358 351 352 -7 -1.7 1 355 ＫＹＢ 448 | 6861 0.54 51250 52710 51250 52360 -890 -1.7 0 52800 キーエンス 449 | 6473 0.51 1710 1717 1679 1689 -30 -1.72 0 1703 ジェイテクト 450 | 7936 0.35 3305 3375 3270 3315 -60 -1.78 0 3344 アシックス 451 | 6471 0.55 1307 1351 1303 1336 -25 -1.8 0 1348 日精工 452 | 2914 0.39 4135 4171 4048 4060 -78 -1.9 0 4098 ＪＴ 453 | 2121 0.18 4155 4225 4090 4105 -80 -1.92 1 4144 ミクシィ 454 | 8136 0.36 3535 3590 3525 3535 -70 -1.95 1 3569 サンリオ 455 | 3903 0.11 1040 1085 1030 1065 -22 -1.97 0 1075 gumi 456 | 8015 0.62 2825 2855 2774 2784 -58 -2.05 0 2812 豊田通商 457 | 6902 0.67 5557 5587 5465 5474 -116 -2.1 0 5531 デンソー 458 | 5802 0.53 1663 1678 1648 1652 -36 -2.12 0 1669 住友電 459 | 9513 0.39 3660 3740 3650 3700 -80 -2.14 0 3739 Ｊパワー 460 | 6305 0.53 1850 1860 1795 1814 -41 -2.21 0 1834 日立建機 461 | 2875 0.42 4425 4505 4405 4420 -105 -2.35 0 4472 東洋水 462 | 6504 0.48 472 474 465 468 -12 -2.35 0 473 富士電機 463 | 1881 0.3 2051 2070 2026 2035 -50 -2.41 1 2059 ＮＩＰＰＯ 464 | 7296 0.34 1775 1799 1754 1760 -44 -2.44 0 1781 ＦＣＣ 465 | 1719 0.33 741 747 732 736 -19 -2.45 1 745 安藤ハザマ 466 | 4283 0.55 3820 3825 3765 3775 -95 -2.49 0 3942 パナソニックIS 467 | 8036 0.52 2655 2682 2623 2630 -68 -2.55 1 2663 日立ハイテク 468 | 4272 0.5 1331 1346 1317 1326 -35 -2.56 1 1343 日化薬 469 | 6479 0.42 1459 1469 1422 1428 -38 -2.59 0 1446 ミネベア 470 | 7731 0.43 1493 1512 1483 1492 -40 -2.61 1 1511 ニコン 471 | 7280 0.39 1945 1980 1892 1898 -54 -2.79 0 1924 ミツバ 472 | 6954 0.58 20050 20450 19815 19870 -570 -2.86 0 20154 ファナック 473 | 6146 0.41 8650 8740 8370 8630 -260 -3.0 0 8759 ディスコ 474 | 6502 0.46 324 327 316 321 -11 -3.12 0 326 東芝 475 | 6971 0.65 5851 5939 5775 5827 -186 -3.17 0 5919 京セラ 476 | 7240 0.51 2731 2763 2667 2678 -103 -3.81 0 2728 ＮＯＫ 477 | 6503 0.59 1145 1159 1142 1150 -48 -4.09 0 1174 三菱電 478 | 6988 0.64 7450 7580 7206 7294 -304 -4.15 0 7444 日東電 479 | 7259 0.47 4060 4125 4015 4030 -170 -4.19 1 4114 アイシン 480 | 5101 0.42 1361 1361 1317 1319 -59 -4.4 1 1336 浜ゴム 481 | 4185 0.4 1843 1855 1799 1804 -93 -5.1 1 1850 ＪＳＲ 482 | 3656 0.15 1422 1446 1375 1394 -77 -5.45 1 1431 KLab 483 | 5471 0.4 426 428 406 408 -26 -6.13 0 420 大同特鋼 484 | 6963 0.61 6410 6470 6140 6160 -530 -8.59 1 6423 ローム 485 | -------------------------------------------------------------------------------- /ruby/logst/api-sample.rb: -------------------------------------------------------------------------------- 1 | require "net/http" 2 | require "uri" 3 | require "rexml/document" 4 | 5 | host = "172.16.xxx.xxx" 6 | api = "http://#{host}:8080/api" 7 | uri = URI.parse(api) 8 | 9 | response = nil 10 | 11 | request = Net::HTTP::Post.new(uri.request_uri) 12 | request.body = < 14 | 15 |
16 | 17 | 18 | 19 | 20 | EOS 21 | 22 | http = Net::HTTP.new(uri.host, uri.port) 23 | 24 | # http.use_ssl = true 25 | # http.verify_mode = OpenSSL::SSL::VERIFY_NONE 26 | 27 | http.set_debug_output $stderr 28 | 29 | http.start do |h| 30 | response = h.request(request) 31 | end 32 | 33 | doc = REXML::Document.new(response.body) 34 | doc.elements.each do |element| 35 | puts "レスポンス本文全体" 36 | puts element 37 | 38 | puts "エレメント個別" 39 | puts element.elements["header"].elements["status code"].text 40 | puts element.elements["body"].elements["jsessionid value"] 41 | end 42 | -------------------------------------------------------------------------------- /ruby/machine-learning/recommendation/recommendations.rb: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | require 'awesome_print' 4 | 5 | def critics_ja 6 | { 7 | '山田' => { 8 | 'カレー' => 2.5, 9 | 'ラーメン' => 3.5, 10 | 'チャーハン' => 3.0, 11 | '寿司' => 3.5, 12 | '牛丼' => 2.5, 13 | 'うどん' => 3.0 14 | }, 15 | 16 | '田中' => { 17 | 'カレー' => 3.0, 18 | 'ラーメン' => 3.5, 19 | 'チャーハン' => 1.5, 20 | '寿司' => 5.0, 21 | 'うどん' => 3.0, 22 | '牛丼' => 3.5 23 | }, 24 | 25 | '佐藤' => { 26 | 'カレー' => 2.5, 27 | 'ラーメン' => 3.0, 28 | '寿司' => 3.5, 29 | 'うどん' => 4.0 30 | }, 31 | 32 | '中村' => { 33 | 'ラーメン' => 3.5, 34 | 'チャーハン' => 3.0, 35 | 'うどん' => 4.5, 36 | '寿司' => 4.0, 37 | '牛丼' => 2.5 38 | }, 39 | 40 | '川村' => { 41 | 'カレー' => 3.0, 42 | 'ラーメン' => 4.0, 43 | 'チャーハン' => 2.0, 44 | '寿司' => 3.0, 45 | 'うどん' => 3.0, 46 | '牛丼' => 2.0 47 | }, 48 | 49 | '鈴木' => { 50 | 'カレー' => 3.0, 51 | 'ラーメン' => 4.0, 52 | 'うどん' => 3.0, 53 | '寿司' => 5.0, 54 | '牛丼' => 3.5 55 | }, 56 | 57 | '下林' => { 58 | 'ラーメン' => 4.5, 59 | '牛丼' => 1.0, 60 | '寿司' => 4.0 61 | }, 62 | } 63 | end 64 | 65 | def sim_distance(prefs, person1, person2) 66 | shared_items_a = shared_items_a(prefs, person1, person2) 67 | return 0 if shared_items_a.size == 0 68 | sum_of_squares = shared_items_a.inject(0) {|result, item| 69 | result + (prefs[person1][item]-prefs[person2][item])**2 70 | } 71 | return 1/(1+sum_of_squares) 72 | end 73 | 74 | def sim_pearson(prefs, person1, person2) 75 | shared_items_a = shared_items_a(prefs, person1, person2) 76 | 77 | n = shared_items_a.size 78 | return 0 if n == 0 79 | 80 | sum1 = shared_items_a.inject(0) {|result,si| 81 | result + prefs[person1][si] 82 | } 83 | sum2 = shared_items_a.inject(0) {|result,si| 84 | result + prefs[person2][si] 85 | } 86 | sum1_sq = shared_items_a.inject(0) {|result,si| 87 | result + prefs[person1][si]**2 88 | } 89 | sum2_sq = shared_items_a.inject(0) {|result,si| 90 | result + prefs[person2][si]**2 91 | } 92 | sum_products = shared_items_a.inject(0) {|result,si| 93 | result + prefs[person1][si]*prefs[person2][si] 94 | } 95 | 96 | num = sum_products - (sum1*sum2/n) 97 | den = Math.sqrt((sum1_sq - sum1**2/n)*(sum2_sq - sum2**2/n)) 98 | return 0 if den == 0 99 | return num/den 100 | end 101 | 102 | def top_matches(prefs, person, n=5, similarity=:sim_pearson) 103 | scores = Array.new 104 | prefs.each do |key,value| 105 | if key != person 106 | scores << [__send__(similarity,prefs,person,key),key] 107 | end 108 | end 109 | scores.sort.reverse[0,n] 110 | end 111 | 112 | def get_recommendations(prefs, person, similarity=:sim_pearson) 113 | totals_h = Hash.new(0) 114 | sim_sums_h = Hash.new(0) 115 | 116 | prefs.each do |other,val| 117 | next if other == person 118 | sim = __send__(similarity,prefs,person,other) 119 | next if sim <= 0 120 | prefs[other].each do |item, val| 121 | if !prefs[person].keys.include?(item) || prefs[person][item] == 0 122 | totals_h[item] += prefs[other][item]*sim 123 | sim_sums_h[item] += sim 124 | end 125 | end 126 | end 127 | 128 | rankings = Array.new 129 | totals_h.each do |item,total| 130 | rankings << [total/sim_sums_h[item], item] 131 | end 132 | rankings.sort.reverse 133 | end 134 | 135 | def transform_prefs(prefs) 136 | result = Hash.new 137 | prefs.each do |person,score_h| 138 | score_h.each do |item,score| 139 | result[item] ||= Hash.new 140 | result[item][person] = score 141 | end 142 | end 143 | result 144 | end 145 | 146 | def shared_items_a(prefs, person1, person2) 147 | prefs[person1].keys & prefs[person2].keys 148 | end 149 | 150 | def test_critics_ja 151 | puts "元のテストデータ" 152 | ap critics_ja 153 | 154 | puts "'山田', '田中' がどれくらい似ているか (distance)" 155 | ap sim_distance(critics_ja, '山田', '田中') 156 | puts "'山田', '田中' がどれくらい似ているか (pearson)" 157 | ap sim_pearson(critics_ja, '山田', '田中') 158 | 159 | puts "下林に似ているユーザー" 160 | ap top_matches(critics_ja, '下林') 161 | 162 | puts "下林におすすめのメニュー" 163 | ap get_recommendations(critics_ja, '下林') 164 | 165 | puts "寿司に似ているメニュー" 166 | menu = transform_prefs(critics_ja) 167 | ap top_matches(menu, '寿司') 168 | end 169 | 170 | if $0 == __FILE__ then 171 | test_critics_ja 172 | end 173 | -------------------------------------------------------------------------------- /ruby/mail/attach.txt: -------------------------------------------------------------------------------- 1 | 添付ファイルです 2 | -------------------------------------------------------------------------------- /ruby/mail/body.txt: -------------------------------------------------------------------------------- 1 | ここに本文が入ります 2 | あああ 3 | いいい 4 | ううう 5 | -------------------------------------------------------------------------------- /ruby/mail/sendmail.rb: -------------------------------------------------------------------------------- 1 | require "mail" 2 | 3 | mail = Mail.new do 4 | from "ya-nakayama@dts.co.jp" 5 | to "ya-nakayama@dts.co.jp" 6 | subject "Windows からのメール送信テストです (Ruby)" 7 | body File.read("body.txt", encoding: 'UTF-8:Shift-JIS') 8 | add_file "./attach.txt" 9 | end 10 | 11 | mail["Comments"] = "Some comments" 12 | 13 | mail.smtp_envelope_from = "ya-nakayama@dts.co.jp" 14 | mail.smtp_envelope_to = "ya-nakayama@dts.co.jp" 15 | 16 | mail.delivery_method(:smtp, 17 | address: "mail.securemx.jp", 18 | port: 25, 19 | domain: "dts.co.jp", 20 | authentication: nil, 21 | user_name: nil, 22 | password: nil 23 | ) 24 | 25 | mail.deliver 26 | -------------------------------------------------------------------------------- /ruby/text-mining/naivebayes.rb: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | require 'json' 4 | require 'awesome_print' 5 | require 'naivebayes' 6 | require 'MeCab' 7 | 8 | class NaiveBayesClassifier 9 | def initialize(args) 10 | @filename = args.shift || "json.txt" 11 | @classifier = NaiveBayes::Classifier.new(:model => "berounoulli") 12 | @mecab = MeCab::Tagger.new("-Ochasen") 13 | end 14 | 15 | def train 16 | @classifier.train("関心有り", {"北京" => 1, "香港" => 1, "中国" => 1}) 17 | @classifier.train("関心無し", {"台風" => 1, "日本" => 1, "米国" => 1, "大阪" => 1, "京都" => 1, "神戸" => 1}) 18 | end 19 | 20 | def classify 21 | classified = Array.new 22 | 23 | open(@filename) do |file| 24 | file.each_line do |line| 25 | key, tag, json = line.force_encoding("utf-8").strip.split("\t") 26 | hash = JSON.parse(json) 27 | hits = {} 28 | pickup_nouns(hash['title']).take(10).each {|word| 29 | if word.length > 1 30 | if word =~ /[一-龠]/ 31 | hits.has_key?(word) ? hits[word] += 1 : hits[word] = 1 32 | end 33 | end 34 | } 35 | classify = @classifier.classify(hits) 36 | hash['classify'] = classify 37 | hash['key'] = key 38 | classified << hash 39 | end 40 | end 41 | 42 | classified 43 | end 44 | 45 | private 46 | 47 | def pickup_nouns(string) 48 | node = @mecab.parseToNode(string) 49 | nouns = [] 50 | while node 51 | if /^名詞/ =~ node.feature.force_encoding("utf-8").split(/,/)[0] then 52 | nouns.push(node.surface.force_encoding("utf-8")) 53 | end 54 | node = node.next 55 | end 56 | nouns 57 | end 58 | end 59 | 60 | if __FILE__ == $0 61 | clf = NaiveBayesClassifier.new(ARGV) 62 | clf.train 63 | result = clf.classify 64 | ap result 65 | end 66 | 67 | --------------------------------------------------------------------------------