py4conjoint 0.2.2

評点型コンジョイント分析を Python 初心者でも直感的に行えるパッケージ

py4conjoint

評点型コンジョイント分析を Python初心者でも直感的に 行えるパッケージです。

Microsoft Forms / Google Forms のアンケート回答ファイルを読み込み、 符号化・回帰分析・結果の解釈・可視化までを一貫して行えます。

インストール

pip install py4conjoint

Google Colab では：

!pip install py4conjoint

クイックスタート

1. アンケートデータを読み込む

import pandas as pd
import py4conjoint as pc

# プロファイル設計を作成
profiles = { # P1         P2       P3        P4
    "price":  [6,         10,      6,        10],
    "os":     ["android", "apple", "apple",  "android"],
    "camera": ["標準",    "標準",  "高性能", "高性能"],
}

# Microsoft Forms の回答ファイルを読み込む（デフォルト）
df = pc.forms_to_conjoint_data(
    responses_file  = "responses.xlsx",
    attributes      = profiles,
    respondent_cols = {"性別": "gender"},
)

# Google Forms の場合
df = pc.forms_to_conjoint_data(
    responses_file  = "responses.csv",
    attributes      = profiles,
    respondent_cols = {"性別": "gender"},
    forms           = "google",
)

2. 符号化する

df_coded = pc.encode(
    df,
    reference_levels = {
        "price":  10,
        "os":     "android",
        "camera": "標準"
    },
    binary_suffix_map = {
        "price":  "low",
        "os":     "apple",
        "camera": "high"
    },
)

3. 回帰分析を実行する

result = pc.fit(df_coded)
print(result.summary())

============================================================
コンジョイント分析の結果（和文サマリー）
============================================================
観測数         : 120
説明変数の数   : 3
決定係数 R²    : 0.9582
自由度修正 R²  : 0.9571

【推定された係数（部分効用 part-worth）】
  変数                            係数        p値  有意性
  ------------------------- ---------- ----------  ------
  Intercept                     4.2417     0.0000    ***
  price_low                     1.2583     0.0000    ***
  os_apple                      0.9083     0.0000    ***
  camera_high                   0.5917     0.0000    ***

  有意水準: *** p<0.001  ** p<0.01  * p<0.05  . p<0.1
============================================================

4. 結果を解釈する

# 相対重要度（合計100%）
result.importance()
#              range  importance
# 属性
# price       2.5167      45.62
# os          1.8167      32.94
# camera      1.1833      21.44

# WTP（支払意思額）
result.wtp()
#                      係数  支払意思額
# 属性（符号化列名）
# os_apple           0.9083     2.8874
# camera_high        0.5917     1.8805

# 評点1点の金額換算
result.unit_rating_money()
# 1.5894

# 市場シェア予測
products = pd.DataFrame({
    "price_low":   [1, -1],
    "os_apple":    [1,  1],
    "camera_high": [1, -1],
}, index=["製品A", "製品B"])

result.market_share(products)
# 製品A    0.926
# 製品B    0.074

5. 可視化する

result.plot_importance()   # 相対重要度の棒グラフ
result.plot_partworth()    # 部分効用の棒グラフ
result.plot_wtp(price_unit="万円")  # WTPの棒グラフ

主な機能

関数 / メソッド	説明
forms_to_conjoint_data()	Microsoft/Google Forms の回答ファイルを long 形式 DataFrame に変換
encode()	属性列を効果コーディング（-1/+1）に自動変換
auto_reference_levels()	基準水準を自動推測（補助関数）
fit()	OLS 回帰を実行し ConjointResult を返す
result.summary()	係数表・R²・落とし穴チェックの和文サマリー
result.warnings()	落とし穴の一覧（severity / category でフィルタ可）
result.importance()	各属性の相対重要度（合計100%）
result.wtp()	各属性の WTP（支払意思額）
result.unit_rating_money()	評点1点の金額換算（float）
result.market_share()	市場シェア予測（logit / max）
result.plot_importance()	相対重要度の棒グラフ
result.plot_partworth()	部分効用（パートワース）の棒グラフ
result.plot_wtp()	WTP の棒グラフ

落とし穴の自動検出

fit() と wtp() は、以下の問題を自動的に検出して警告します：

カテゴリ	重大度	内容
r2_low	大	R² < 0.20（説明力が低い）
obs_per_predictor	大/中	観測数／説明変数数の比率が低い（< 5 → 大、< 10 → 中）
few_respondents	大/中	回答者数が少ない（1人→大、2〜4人→中）
price_sign_negative	中	価格係数の符号が逆かつ有意（符号化ミスの疑い）
price_insignificant	中	価格係数の p 値 ≥ 0.10（WTP の信頼性低下）
wtp_extrapolation	中	|WTP| > 価格レンジ × 2（外挿値）

result.warnings()                        # すべての警告
result.warnings(severity="大")           # 重大度「大」のみ
result.warnings(category="r2_low")      # カテゴリでフィルタ

依存パッケージ

パッケージ	バージョン
pandas	≥ 1.5
numpy	≥ 1.21
statsmodels	≥ 0.13
matplotlib	≥ 3.4
openpyxl	≥ 3.0

ライセンス

MIT