Python

Pythonで主成分分析(PCA)をする方法【scikit-learnの使い方と結果の読み方】

酒井 裕麻株式会社Bistro 代表取締役社長

アンケートで「味」「香り」「見た目」「価格」「量」「入手しやすさ」など、たくさんの項目を聞いたものの、項目が多すぎて全体像がつかめない——そんなときに役立つのが主成分分析(PCA)です。

主成分分析を使うと、たくさんの項目を、少ない数の「軸」に要約できます。この記事では、Google ColabのPython(scikit-learn)で主成分分析を行い、結果を読み取る方法を解説します。

同じ分析をRで行う方法は、Rで主成分分析(PCA)をする方法で紹介しています。

主成分分析のバイプロット

主成分分析とは

主成分分析は、似た動きをする項目をまとめて、新しい軸を作る分析です。

たとえば、「味」の評価が高い人は「香り」や「見た目」の評価も高い傾向があるなら、この3つは「おいしさ・品質」という1つの軸にまとめられそうです。主成分分析は、このようなまとめ方を、データから自動で見つけてくれます。

まとめてできた新しい軸を主成分と呼び、データのばらつきを最も多く説明する軸から順に、第1主成分、第2主成分…となります。

この記事で使うデータ

架空の商品評価アンケート product_eval.csv(200人分、各項目1〜5点程度)を使います。

import pandas as pd
ev = pd.read_csv("https://www.bistro.business/files/r/product_eval.csv")
ev.head(3)

実行結果

     味   香り  見た目   価格    量  入手しやすさ
0  4.9  4.1  4.5  5.4  4.7     4.7
1  2.5  2.1  1.9  3.4  3.7     3.9
2  2.1  2.2  1.6  3.1  2.7     3.9

データを標準化する

主成分分析では、まず各項目を平均0、標準偏差1にそろえる(標準化)のが基本です。項目によって点数の幅が違うと、幅の大きい項目だけが強く影響してしまうためです。

from sklearn.preprocessing import StandardScaler
X = StandardScaler().fit_transform(ev)

PCAで主成分分析をする

scikit-learnの PCA で主成分分析を行います。

from sklearn.decomposition import PCA

pca = PCA()
scores = pca.fit_transform(X)

summary = pd.DataFrame({
    "寄与率": pca.explained_variance_ratio_,
    "累積寄与率": pca.explained_variance_ratio_.cumsum(),
    "固有値": pca.explained_variance_,
}, index=[f"PC{i}" for i in range(1, 7)]).round(3)
summary

実行結果

       寄与率  累積寄与率    固有値
PC1  0.381  0.381  2.298
PC2  0.355  0.736  2.138
PC3  0.100  0.835  0.601
PC4  0.075  0.911  0.455
PC5  0.047  0.958  0.283
PC6  0.042  1.000  0.256
項目 意味
寄与率 その主成分が、データ全体の情報(ばらつき)の何%を説明しているか
累積寄与率 第1主成分からその主成分までで、合計何%を説明しているか
固有値 その主成分が、元の項目何個分の情報を持っているか

第1主成分(PC1)が38.1%、第2主成分(PC2)が35.5%で、この2つだけで6項目の情報の73.6%を説明できています。6つの項目を、2つの軸に要約できたことになります。

主成分はいくつ使えばいい?

使う主成分の数は、次のような目安で決めます。

  • 累積寄与率が70〜80%を超えるところまで
  • 固有値が1以上の主成分(元の項目1個分より多くの情報を持っている主成分)

今回は、どちらの目安でも2つです。PC3以降は寄与率が10%以下と小さく、PC2との間で大きく下がっています。

主成分負荷量で、軸の意味を読み取る

それぞれの主成分が何を表しているかは、components_ で、元の項目とどれくらい関係しているかを見て読み取ります。

loadings = pd.DataFrame(pca.components_[:2].T, index=ev.columns, columns=["PC1", "PC2"])
loadings.round(3)

実行結果

          PC1    PC2
味       0.585 -0.006
香り      0.591 -0.013
見た目     0.545 -0.046
価格      0.095  0.597
量       0.004  0.615
入手しやすさ -0.044  0.513
主成分 値が大きい項目 軸の意味
PC1 味・香り・見た目 「おいしさ・品質」の軸
PC2 価格・量・入手しやすさ 「お得さ・手軽さ」の軸

数字の絶対値が大きい項目ほど、その主成分と強く関係しています。今回はどちらもプラスの値が大きいので、「PC1が大きいほど品質の評価が高い」「PC2が大きいほどお得さの評価が高い」という向きになります。

なお、主成分の向き(プラス・マイナス)は、計算の都合で反転することがあります。Rの prcomp() では、同じデータでもマイナスの向きで出ることがありますが、意味は同じです。

※厳密には、components_ は「固有ベクトル」と呼ばれる値です。元の項目と主成分の相関(主成分負荷量)にしたいときは、components_.T * np.sqrt(pca.explained_variance_) で計算できます。

主成分得点

一人ひとりの回答者が、それぞれの主成分でどんな値になるかを、主成分得点と呼びます。fit_transform() の結果に入っています。

pd.DataFrame(scores[:, :2], columns=["PC1", "PC2"]).head(3).round(2)

実行結果

    PC1   PC2
0  2.69  3.23
1 -1.64  1.26
2 -2.03  0.48

1人目はPC1・PC2ともに大きなプラスで、品質もお得さも高く評価している人だとわかります。この得点を使って、k-means法などで回答者をグループ分けすることもできます。

バイプロットで見える化する

主成分得点(回答者)と、元の項目の向きを、1つの図に重ねたものをバイプロットと呼びます。

!pip install -q matplotlib-fontja
import matplotlib.pyplot as plt
import matplotlib_fontja

ratio = pca.explained_variance_ratio_ * 100
# ラベルが重ならないように、少しずらす位置
offset = {"味": (0.5, 0.3), "香り": (0.6, -0.05), "見た目": (0.5, -0.4),
          "価格": (0.6, 0.2), "量": (-0.2, 0.35), "入手しやすさ": (-0.8, 0.0)}

fig, ax = plt.subplots(figsize=(7, 6))
ax.scatter(scores[:, 0], scores[:, 1], alpha=0.3, color="grey")
for name, (x, y) in loadings.iterrows():
    ax.annotate("", xy=(x * 4, y * 4), xytext=(0, 0),
                arrowprops=dict(arrowstyle="->", color="#195379", linewidth=1.8))
    dx, dy = offset[name]
    ax.text(x * 4 + dx, y * 4 + dy, name, color="#195379", fontsize=12, ha="center", va="center",
            bbox=dict(facecolor="white", edgecolor="none", alpha=0.8, pad=1))
ax.axhline(0, color="grey", linewidth=0.5)
ax.axvline(0, color="grey", linewidth=0.5)
ax.set_title("主成分分析のバイプロット")
ax.set_xlabel(f"第1主成分({ratio[0]:.1f}%)")
ax.set_ylabel(f"第2主成分({ratio[1]:.1f}%)")
plt.show()

主成分分析のバイプロット

矢印は、それぞれの項目がどの方向に効いているかを表します(見やすいように4倍に伸ばしています)。「味・香り・見た目」の矢印は右(PC1の方向)へ、「価格・量・入手しやすさ」の矢印は上(PC2の方向)へ伸びていて、6つの項目がきれいに2つのグループに分かれていることがわかります。

右上にいる回答者ほど、品質もお得さも高く評価している、という見方ができます。

主成分分析を使う場面

場面 使い方
アンケートの項目が多い 項目を少数の軸に要約し、全体像をつかむ
ブランドや商品の比較 主成分得点でポジショニングマップを作る
顧客のグループ分け 主成分得点を使って、クラスター分析をする
回帰分析の前処理 互いに相関の強い項目をまとめて、多重共線性を避ける

まとめ

  • 主成分分析は、たくさんの項目を少ない数の軸に要約する方法
  • StandardScaler で標準化してから、scikit-learnの PCA で分析する
  • 寄与率・累積寄与率(explained_variance_ratio_)で、使う主成分の数を決める
  • components_ で、それぞれの主成分の意味を読み取る
  • 主成分得点(fit_transform() の結果)を使って、回答者の位置を比べたり、グループ分けしたりできる

アンケートの「ブランド×イメージ」のような集計表を地図にしたいときは、コレスポンデンス分析が向いています。

CONTACT

データ活用のお悩み、
直接相談しませんか。

「何から始めればいいかわからない」段階でも大丈夫です。課題の整理からお手伝いします。