""" 教育用再現コード: 2025年 統計データ分析コンペティション 審査員奨励賞（大学生） ================================================================================= 論文タイトル：CO₂排出特性による市区町村の類型化と地域特性の関係 受賞区分 ：審査員奨励賞 ［大学生・一般の部］ 【分析概要】 データ：SSDSE-E-2026（47都道府県、実公的統計データ） 目的 ：部門別廃棄物・環境指標から修正ウィーバー法で都道府県を類型化し、 地域特性との関係を分析 Step1. SSDSE-Eからデータ読み込み・加工 Step2. 修正ウィーバー法（Modified Weaver Method）で部門類型を判定 Step3. 記述統計・クロス集計（地域類型 × 環境類型） Step4. 産業特化係数（LQ）と環境指標の散布図 【修正ウィーバー法】 各都道府県について部門別指標シェア（p_1, ..., p_n）を計算。 上位k部門に均等分配した場合のSSD: W_k = Σ(i=1 to k) (p_i - 100/k)² W_k を最小化するkが「複合類型の次元数」を決定。 【使用データ】 SSDSE-E-2026.csv（統計数理研究所 教育用標準データセット） https://www.ism.ac.jp/editsection/ssdse/ 【データサイエンス学習ポイント】 1. 修正ウィーバー法（組み合わせ最適化の考え方） 2. 記述統計（平均・標準偏差・四分位数） 3. クロス集計（pd.crosstab） 4. 産業特化係数（Location Quotient）の計算 5. 実公的データの読み込みと前処理 【図の出力】 html/figures/2025_U5_1_fig1_co2_bar.png ... 類型別リサイクル率棒グラフ html/figures/2025_U5_1_fig2_crosstab.png ... 地域類型×ウィーバー類型クロス集計ヒートマップ html/figures/2025_U5_1_fig3_lq.png ... 産業特化係数と環境指標の散布図 html/figures/2025_U5_1_fig4_weaver.png ... ウィーバー法の説明図（例示） ================================================================================= """ # ============================================================ # 【データの準備】実行前に以下のデータファイルを用意してください # # 必要ファイル: # ・SSDSE-E-2026.csv # → data/raw/SSDSE-E-2026.csv に配置 # # ダウンロード先: # https://www.nstac.go.jp/use/literacy/ssdse/ # （SSDSE-E（社会・人口統計体系 都道府県の指標2） の CSV をダウンロード） # # フォルダ配置（プロジェクトルートからの相対パス）: # code/ ← このスクリプトの場所 # data/raw/ ← CSV ファイルをここに配置 # html/figures/ ← 図の出力先（自動生成） # # 実行方法（ファイルを一切編集せず実行可能）: # python3 code/2025_U5_1_shorei.py # ============================================================ import os import numpy as np import pandas as pd import matplotlib matplotlib.use('Agg') import matplotlib.pyplot as plt import matplotlib.patches as mpatches from matplotlib.gridspec import GridSpec import warnings warnings.filterwarnings('ignore') # ── パス設定 ───────────────────────────────────────────────────────────────── FIG_DIR = 'html/figures' DATA_DIR = 'data/raw' os.makedirs(FIG_DIR, exist_ok=True) plt.rcParams.update({ 'font.family': 'Hiragino Sans', 'axes.unicode_minus': False, 'figure.dpi': 150, 'axes.spines.top': False, 'axes.spines.right': False, }) # ═══════════════════════════════════════════════════════════════════════════════ # ■ Step1. 実データ読み込み（SSDSE-E-2026） # SSDSE-Eは行0が年度行、行1が変数名行、行2以降がデータ # ═══════════════════════════════════════════════════════════════════════════════ print("=" * 65) print("■ SSDSE-E-2026 実データ読み込み") print("=" * 65) df_e_raw = pd.read_csv(os.path.join(DATA_DIR, 'SSDSE-E-2026.csv'), encoding='cp932') df_e = df_e_raw.iloc[2:].copy() df_e.columns = df_e_raw.iloc[1].values df_e = df_e[df_e['都道府県'] != '全国'].reset_index(drop=True) # 数値変換 num_cols_e = [ '総人口', 'ごみ総排出量（総量）', '1人1日当たりの排出量', 'ごみのリサイクル率', '農家数（販売農家）', '1人当たり県民所得（平成27年基準）', '総面積（北方地域及び竹島を除く）', '大型小売店数', '飲食店数', '医師数', '事業所数（民営）（製造業）', '事業所数（民営）（建設業）', ] for c in num_cols_e: df_e[c] = pd.to_numeric(df_e[c], errors='coerce') print(f" 読み込み完了: {len(df_e)} 都道府県") print(f" 主要変数確認:") print(f" ごみ総排出量（総量）[t]: {df_e['ごみ総排出量（総量）'].describe().loc[['mean','min','max']].round(0).to_dict()}") print(f" ごみのリサイクル率[%]: {df_e['ごみのリサイクル率'].describe().loc[['mean','min','max']].round(1).to_dict()}") # ── 指標の計算 ───────────────────────────────────────────────────────────── # 農家率（農家数 / 総人口 × 1000） df_e['農家率'] = df_e['農家数（販売農家）'] / df_e['総人口'] * 1000 # 人口密度 (人/km²) — 面積はha単位なので÷100でkm² df_e['人口密度'] = df_e['総人口'] / (df_e['総面積（北方地域及び竹島を除く）'] / 100) # 商業活動指数（飲食店数 + 大型小売店数 の人口千対） df_e['商業活動指数'] = (df_e['飲食店数'] + df_e['大型小売店数']) / df_e['総人口'] * 1000 # 医師数10万対 df_e['医師数10万対'] = df_e['医師数'] / df_e['総人口'] * 100000 # 製造業事業所率（製造業事業所 / 全事業所） df_e['製造業率'] = df_e['事業所数（民営）（製造業）'] / (df_e['事業所数（民営）（製造業）'] + df_e['事業所数（民営）（建設業）'] + 1) # ── ウィーバー法用の4部門シェア計算 ─────────────────────────────────────── # 廃棄物・環境の視点から4つの活動軸を定義: # 1. ごみ排出（ごみ総排出量 → 都道府県シェア） # 2. リサイクル（ごみのリサイクル率） # 3. 農業活動（農家率） # 4. 商業活動（商業活動指数） # 各軸を全都道府県合計に対する%シェアに変換 def to_share_pct(series): """シリーズを全都道府県の合計に対する%シェアに変換""" total = series.sum() return (series / total * 100).values # 4部門シェア（合計は各部門の合計シェア=100になるよう正規化） waste_share = to_share_pct(df_e['ごみ総排出量（総量）']) recycle_share = to_share_pct(df_e['ごみのリサイクル率']) agri_share = to_share_pct(df_e['農家率']) commerce_share = to_share_pct(df_e['商業活動指数']) # 各都道府県の4部門比率（行合計が100%） shares_matrix = np.column_stack([ waste_share, recycle_share, agri_share, commerce_share ]) # 各都道府県内で行合計を100に正規化 row_sums = shares_matrix.sum(axis=1, keepdims=True) shares_pct = shares_matrix / row_sums * 100 # shape: (47, 4) SECTORS = ['廃棄物排出', 'リサイクル', '農業活動', '商業活動'] # ═══════════════════════════════════════════════════════════════════════════════ # ■ Step2. 修正ウィーバー法（Modified Weaver Method） # ═══════════════════════════════════════════════════════════════════════════════ def modified_weaver(shares_arr): """ shares_arr: 1次元array、各部門の百分率シェア（合計100） 戻り値 : (k_opt, dominant_idx) k_opt 最適なk（複合類型の次元数） dominant_idx 最大シェア部門のインデックス """ n = len(shares_arr) sorted_idx = np.argsort(shares_arr)[::-1] # 降順インデックス sorted_sh = shares_arr[sorted_idx] best_k = 1 best_w = np.inf for k in range(1, n + 1): top_k = sorted_sh[:k] equal = 100.0 / k w_k = np.sum((top_k - equal) ** 2) if w_k < best_w: best_w = w_k best_k = k dominant = sorted_idx[0] return best_k, dominant print("\n" + "=" * 65) print("■ 修正ウィーバー法による都道府県類型化") print("=" * 65) dominant_idx = np.array([modified_weaver(shares_pct[i])[1] for i in range(47)]) dominant_k = np.array([modified_weaver(shares_pct[i])[0] for i in range(47)]) weaver_type = np.array([SECTORS[d] + '型' for d in dominant_idx]) df_e['ウィーバー類型'] = weaver_type df_e['ウィーバーk'] = dominant_k # ── 人口密度区分（地域類型の代理） ─────────────────────────────────────────── density_q33 = df_e['人口密度'].quantile(0.33) density_q67 = df_e['人口密度'].quantile(0.67) def density_group(d): if d >= density_q67: return '高密度（都市部）' elif d >= density_q33: return '中密度（地方中核）' else: return '低密度（農村・山間）' df_e['密度区分'] = df_e['人口密度'].apply(density_group) type_counts = df_e['ウィーバー類型'].value_counts() print(f"\n総観測数: 47 都道府県") print(f"\n【ウィーバー類型の分布】") for t, c in type_counts.items(): print(f" {t:<14} {c:>3}都道府県 ({c/47*100:.1f}%)") print(f"\n【密度区分 × ウィーバー類型のクロス集計（行%）】") ct = pd.crosstab(df_e['密度区分'], df_e['ウィーバー類型'], normalize='index').round(3) print(ct * 100) print(f"\n【リサイクル率の記述統計】") print(df_e['ごみのリサイクル率'].describe().round(2)) # ═══════════════════════════════════════════════════════════════════════════════ # ■ Step3. 産業特化係数（LQ） # LQ_i = (都道府県iの製造業事業所シェア) / (全国の製造業事業所シェア) # ═══════════════════════════════════════════════════════════════════════════════ mfg_share_pref = df_e['事業所数（民営）（製造業）'] / ( df_e['事業所数（民営）（製造業）'] + df_e['事業所数（民営）（建設業）'] ) mfg_nat_share = mfg_share_pref.mean() df_e['LQ製造業'] = mfg_share_pref / mfg_nat_share print(f"\n 製造業LQ: 平均={df_e['LQ製造業'].mean():.3f}, 最大={df_e['LQ製造業'].max():.3f} ({df_e.loc[df_e['LQ製造業'].idxmax(), '都道府県']})") # ═══════════════════════════════════════════════════════════════════════════════ # ■ Step4. 図の生成（4枚） # ═══════════════════════════════════════════════════════════════════════════════ TYPE_ORDER = ['廃棄物排出型', 'リサイクル型', '農業活動型', '商業活動型'] # 存在する類型だけ残す TYPE_ORDER = [t for t in TYPE_ORDER if t in df_e['ウィーバー類型'].values] DENSITY_ORDER = ['高密度（都市部）', '中密度（地方中核）', '低密度（農村・山間）'] TYPE_COLORS = { '廃棄物排出型': '#1565C0', 'リサイクル型': '#2E7D32', '農業活動型': '#E65100', '商業活動型': '#6A1B9A', } DENSITY_COLORS = { '高密度（都市部）': '#E53935', '中密度（地方中核）': '#FB8C00', '低密度（農村・山間）': '#1E88E5', } # ──────────────────────────────────────────────────────────────────────────── # 図1：ウィーバー類型別 リサイクル率・廃棄物排出量の棒グラフ # ──────────────────────────────────────────────────────────────────────────── print("\n図1: ウィーバー類型別環境指標グラフを作成中...") fig1, axes1 = plt.subplots(1, 2, figsize=(13, 5)) fig1.suptitle('修正ウィーバー法による類型化と廃棄物・環境特性\n（実データ：SSDSE-E-2026）', fontsize=13, fontweight='bold') # (a) 類型別リサイクル率（平均±SD） ax = axes1[0] means_rc = [df_e[df_e['ウィーバー類型'] == t]['ごみのリサイクル率'].mean() for t in TYPE_ORDER] stds_rc = [df_e[df_e['ウィーバー類型'] == t]['ごみのリサイクル率'].std() for t in TYPE_ORDER] colors = [TYPE_COLORS.get(t, '#888') for t in TYPE_ORDER] x = np.arange(len(TYPE_ORDER)) bars = ax.bar(x, means_rc, yerr=stds_rc, capsize=6, color=colors, alpha=0.85, edgecolor='white', error_kw={'elinewidth': 1.5}) ax.axhline(df_e['ごみのリサイクル率'].mean(), color='gray', linestyle='--', linewidth=1.2, label=f'全体平均 ({df_e["ごみのリサイクル率"].mean():.1f}%)') ax.set_xticks(x) ax.set_xticklabels(TYPE_ORDER, fontsize=10) ax.set_ylabel('ごみのリサイクル率（%）', fontsize=11) ax.set_title('ウィーバー類型別 リサイクル率\n（平均±1SD）', fontsize=11, fontweight='bold') ax.legend(fontsize=9) ax.grid(axis='y', alpha=0.3) for i, (m, s) in enumerate(zip(means_rc, stds_rc)): n_type = (df_e['ウィーバー類型'] == TYPE_ORDER[i]).sum() ax.text(i, m + (s if not np.isnan(s) else 0) + 0.5, f'{m:.1f}%\n(n={n_type})', ha='center', fontsize=8.5, fontweight='bold') # (b) 密度区分別の1人1日当たり排出量（ボックスプロット） ax2 = axes1[1] data_by_density = [df_e[df_e['密度区分'] == d]['1人1日当たりの排出量'].values for d in DENSITY_ORDER] bp = ax2.boxplot(data_by_density, patch_artist=True, notch=False, widths=0.55) dp_colors = [DENSITY_COLORS[d] for d in DENSITY_ORDER] for patch, color in zip(bp['boxes'], dp_colors): patch.set_facecolor(color) patch.set_alpha(0.75) for med in bp['medians']: med.set(color='white', linewidth=2) ax2.set_xticklabels(['高密度\n（都市部）', '中密度\n（地方中核）', '低密度\n（農村・山間）'], fontsize=9) ax2.set_ylabel('1人1日当たりの排出量（g）', fontsize=11) ax2.set_title('人口密度区分別\n1人1日当たりごみ排出量分布', fontsize=11, fontweight='bold') ax2.grid(axis='y', alpha=0.3) ax2.axhline(df_e['1人1日当たりの排出量'].mean(), color='gray', linestyle='--', linewidth=1.0) plt.tight_layout() fig1.savefig(os.path.join(FIG_DIR, '2025_U5_1_fig1_co2_bar.png'), bbox_inches='tight', dpi=150) plt.close(fig1) print(" → 2025_U5_1_fig1_co2_bar.png 保存完了") # ──────────────────────────────────────────────────────────────────────────── # 図2：密度区分 × ウィーバー類型 クロス集計ヒートマップ # ──────────────────────────────────────────────────────────────────────────── print("図2: クロス集計ヒートマップを作成中...") ct_abs = pd.crosstab(df_e['密度区分'], df_e['ウィーバー類型']) # 存在する列のみ使う type_order_exist = [t for t in TYPE_ORDER if t in ct_abs.columns] density_order_exist = [d for d in DENSITY_ORDER if d in ct_abs.index] ct_abs = ct_abs.reindex(index=density_order_exist, columns=type_order_exist, fill_value=0) ct_row = ct_abs.div(ct_abs.sum(axis=1), axis=0) * 100 fig2, axes2 = plt.subplots(1, 2, figsize=(13, 5)) fig2.suptitle('人口密度区分 × ウィーバー類型 クロス集計\n（実データ：SSDSE-E-2026, 47都道府県）', fontsize=13, fontweight='bold') for ax, data, title, fmt in zip( axes2, [ct_abs, ct_row], ['実数（都道府県数）', '行%（密度区分別の構成比）'], ['.0f', '.1f'], ): im = ax.imshow(data.values, cmap='Blues', aspect='auto') ax.set_xticks(range(len(type_order_exist))) ax.set_yticks(range(len(density_order_exist))) ax.set_xticklabels(type_order_exist, fontsize=10, rotation=20, ha='right') ax.set_yticklabels(density_order_exist, fontsize=10) ax.set_title(title, fontsize=11, fontweight='bold') for i in range(len(density_order_exist)): for j in range(len(type_order_exist)): val = data.values[i, j] max_val = data.values.max() text_color = 'white' if (max_val > 0 and val > max_val * 0.6) else 'black' ax.text(j, i, f'{val:{fmt}}', ha='center', va='center', fontsize=9, fontweight='bold', color=text_color) plt.colorbar(im, ax=ax, shrink=0.85) plt.tight_layout() fig2.savefig(os.path.join(FIG_DIR, '2025_U5_1_fig2_crosstab.png'), bbox_inches='tight', dpi=150) plt.close(fig2) print(" → 2025_U5_1_fig2_crosstab.png 保存完了") # ──────────────────────────────────────────────────────────────────────────── # 図3：産業特化係数（LQ）と環境指標の散布図 # ──────────────────────────────────────────────────────────────────────────── print("図3: 産業特化係数×環境指標散布図を作成中...") fig3, axes3 = plt.subplots(1, 2, figsize=(13, 5)) fig3.suptitle('産業特化係数（製造業）と廃棄物・環境指標\n（実データ：SSDSE-E-2026）', fontsize=13, fontweight='bold') # (a) LQ vs リサイクル率（密度区分で色分け） ax3a = axes3[0] for d, col in DENSITY_COLORS.items(): mask = df_e['密度区分'] == d ax3a.scatter(df_e.loc[mask, 'LQ製造業'], df_e.loc[mask, 'ごみのリサイクル率'], color=col, alpha=0.75, s=60, label=d, zorder=3) # 都道府県名をラベル（LQ極値のみ） for _, row in df_e[mask].iterrows(): if row['LQ製造業'] > 1.3 or row['LQ製造業'] < 0.6: ax3a.annotate(row['都道府県'][:2], (row['LQ製造業'], row['ごみのリサイクル率']), fontsize=7, ha='left', va='bottom', color='#333') ax3a.axvline(1.0, color='gray', linestyle='--', linewidth=1.0, label='LQ=1（全国平均）') ax3a.set_xlabel('製造業の産業特化係数（LQ）', fontsize=11) ax3a.set_ylabel('ごみのリサイクル率（%）', fontsize=11) ax3a.set_title('LQ（製造業）vs リサイクル率\n（人口密度区分別）', fontsize=11, fontweight='bold') ax3a.legend(fontsize=8, markerscale=1.5) ax3a.grid(True, alpha=0.2) # 回帰直線 lq_vals = df_e['LQ製造業'].values rc_vals = df_e['ごみのリサイクル率'].values coef = np.polyfit(lq_vals, rc_vals, 1) x_range = np.linspace(lq_vals.min(), lq_vals.max(), 100) ax3a.plot(x_range, np.polyval(coef, x_range), color='black', linewidth=1.5, linestyle='-', label=f'回帰直線 (β={coef[0]:+.2f})', zorder=2) ax3a.legend(fontsize=8, markerscale=1.5) # (b) ウィーバー類型別の4部門平均シェア（積み上げ棒グラフ） ax3b = axes3[1] sector_colors_list = ['#1565C0', '#2E7D32', '#E65100', '#6A1B9A'] bottom = np.zeros(len(TYPE_ORDER)) for i, s in enumerate(SECTORS): means_s = [shares_pct[df_e['ウィーバー類型'] == t, i].mean() for t in TYPE_ORDER] ax3b.bar(np.arange(len(TYPE_ORDER)), means_s, bottom=bottom, color=sector_colors_list[i], label=s, alpha=0.85, edgecolor='white') bottom += np.array(means_s) ax3b.set_xticks(np.arange(len(TYPE_ORDER))) ax3b.set_xticklabels(TYPE_ORDER, fontsize=9, rotation=15, ha='right') ax3b.set_ylabel('4部門平均シェア（%）', fontsize=11) ax3b.set_title('ウィーバー類型別 部門構成比\n（廃棄物・農業・商業活動軸）', fontsize=11, fontweight='bold') ax3b.legend(fontsize=9, loc='upper right') ax3b.grid(axis='y', alpha=0.3) plt.tight_layout() fig3.savefig(os.path.join(FIG_DIR, '2025_U5_1_fig3_lq.png'), bbox_inches='tight', dpi=150) plt.close(fig3) print(" → 2025_U5_1_fig3_lq.png 保存完了") # ──────────────────────────────────────────────────────────────────────────── # 図4：修正ウィーバー法の説明図（実際の都道府県の例示） # ──────────────────────────────────────────────────────────────────────────── print("図4: ウィーバー法説明図を作成中...") # 代表的な都道府県を選ぶ（LQ高い＝製造業特化） top_mfg_pref_idx = df_e['LQ製造業'].idxmax() top_mfg_pref = df_e.loc[top_mfg_pref_idx, '都道府県'] example_shares = shares_pct[top_mfg_pref_idx] # 実際の4部門シェア fig4, axes4 = plt.subplots(1, 2, figsize=(13, 5)) fig4.suptitle('修正ウィーバー法（Modified Weaver Method）の解説\n（実データ例示）', fontsize=13, fontweight='bold') # (a) W_k の変化 ks = range(1, len(SECTORS) + 1) wks = [] sorted_sh_ex = np.sort(example_shares)[::-1] for k in ks: top_k = sorted_sh_ex[:k] w = np.sum((top_k - 100.0 / k) ** 2) wks.append(w) ax4a = axes4[0] ax4a.plot(list(ks), wks, 'o-', color='#1565C0', linewidth=2.5, markersize=9, markerfacecolor='white', markeredgewidth=2.5) opt_k = int(np.argmin(wks)) + 1 ax4a.scatter([opt_k], [wks[opt_k - 1]], color='#E53935', s=130, zorder=5, label=f'最適 k={opt_k}（W_k 最小）') ax4a.set_xlabel('上位k部門数', fontsize=11) ax4a.set_ylabel('W_k（SSD）', fontsize=11) ax4a.set_title(f'W_k の変化（{top_mfg_pref} の例）\n部門シェア: {", ".join([f"{v:.0f}" for v in example_shares])}%', fontsize=11, fontweight='bold') ax4a.legend(fontsize=10) ax4a.grid(True, alpha=0.3) for k, w in zip(ks, wks): ax4a.annotate(f'W_{k}={w:.0f}', (k, w), textcoords='offset points', xytext=(8, 5), fontsize=9, color='#E53935' if k == opt_k else '#555') # (b) 実際のシェア vs 均等分配（k=opt_k）の比較棒グラフ ax4b = axes4[1] x_pos = np.arange(len(SECTORS)) width = 0.35 # 降順に並べ直して表示 sorted_sector_idx = np.argsort(example_shares)[::-1] sorted_labels = [SECTORS[i] for i in sorted_sector_idx] sorted_shares = example_shares[sorted_sector_idx] ax4b.bar(x_pos - width / 2, sorted_shares, width, label='実際のシェア（実データ）', color='#1565C0', alpha=0.8, edgecolor='white') eq = np.zeros(len(SECTORS)) eq[:opt_k] = 100.0 / opt_k ax4b.bar(x_pos + width / 2, eq, width, label=f'均等分配（k={opt_k}）', color='#E65100', alpha=0.7, edgecolor='white') ax4b.set_xticks(x_pos) ax4b.set_xticklabels([f'{s}' for s in sorted_labels], fontsize=9, rotation=15, ha='right') ax4b.set_ylabel('部門シェア（%）', fontsize=11) dominant_sector = SECTORS[np.argmax(example_shares)] ax4b.set_title(f'実際のシェア vs 均等分配（k={opt_k}）\n→ {top_mfg_pref}は「{dominant_sector}型」に分類', fontsize=11, fontweight='bold') ax4b.legend(fontsize=9) ax4b.grid(axis='y', alpha=0.3) plt.tight_layout() fig4.savefig(os.path.join(FIG_DIR, '2025_U5_1_fig4_weaver.png'), bbox_inches='tight', dpi=150) plt.close(fig4) print(" → 2025_U5_1_fig4_weaver.png 保存完了") # ═══════════════════════════════════════════════════════════════════════════════ # ■ 最終サマリー # ═══════════════════════════════════════════════════════════════════════════════ print("\n" + "=" * 65) print("✓ 全図の生成完了（4枚）") print("=" * 65) print("\n【最終サマリー】") print(f"\n データ: SSDSE-E-2026 実公的データ（47都道府県）") print(f" 全体リサイクル率平均: {df_e['ごみのリサイクル率'].mean():.1f}%") print(f" 1人1日排出量平均: {df_e['1人1日当たりの排出量'].mean():.0f} g") print(f"\n ウィーバー類型別リサイクル率（平均）:") for t in TYPE_ORDER: sub = df_e[df_e['ウィーバー類型'] == t] m = sub['ごみのリサイクル率'].mean() n = len(sub) print(f" {t:<14} {m:.1f}% (n={n})") print(f"\n 製造業LQトップ5:") top5 = df_e.nlargest(5, 'LQ製造業')[['都道府県', 'LQ製造業', 'ごみのリサイクル率']] for _, row in top5.iterrows(): print(f" {row['都道府県']}: LQ={row['LQ製造業']:.2f}, リサイクル率={row['ごみのリサイクル率']:.1f}%")