第3章 集計と可視化からデータを理解する

In [1]:

import polars as pl
from scipy import stats
from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.express as px

import polars as pl from scipy import stats from plotly.subplots import make_subplots import plotly.graph_objects as go import plotly.express as px

焼肉店データの基礎集計¶

In [2]:

url_yakiniku_data = 'https://raw.githubusercontent.com/asakura-data-science/marketing/main/Chapter_3/in/yakiniku_2018.csv'
df = (
    pl.read_csv(url_yakiniku_data)
    .with_columns(pl.col('日付').cast(pl.Utf8).str.to_date(format='%Y%m%d'))
)
df.head()

url_yakiniku_data = 'https://raw.githubusercontent.com/asakura-data-science/marketing/main/Chapter_3/in/yakiniku_2018.csv' df = ( pl.read_csv(url_yakiniku_data) .with_columns(pl.col('日付').cast(pl.Utf8).str.to_date(format='%Y%m%d')) ) df.head()

Out[2]:

shape: (5, 11)

店舗ID	日付	時間	取引ID	取引明細ID	商品ID	商品名	単価	数量	支払方法	分類
i64	date	i64	i64	i64	i64	str	i64	i64	str	str
1	2018-03-01	114818	1	1	112	"霜降切落し焼肉定食"	1300	1	"クレジット"	"定食"
1	2018-03-01	114818	1	2	121	"Ｓとろろ"	0	1	"クレジット"	"サイド"
1	2018-03-01	114950	2	1	104	"石焼ビビンバ定食"	1100	1	"クレジット"	"定食"
1	2018-03-01	115043	3	2	625	"黒毛和牛サーロイン焼肉"	1200	1	"クレジット"	"肉"
1	2018-03-01	115043	3	3	330	"ご飯"	200	1	"クレジット"	"サイド"

営業日数と人気商品の確認¶

In [3]:

print('データ開始日:', df['日付'].min())
print('データ終了日:', df['日付'].max())
print('営業日数:', df['日付'].unique().len())

print('データ開始日:', df['日付'].min()) print('データ終了日:', df['日付'].max()) print('営業日数:', df['日付'].unique().len())

データ開始日: 2018-03-01
データ終了日: 2019-02-28
営業日数: 364

In [4]:

# 売上金額
df = (
    df.with_columns(
        (pl.col('単価')*pl.col('数量')).alias('売上金額')
    )
)
print('売上金額:', df['売上金額'].sum())

# 売上金額top10商品
(
    df.group_by('商品名')
    .agg(pl.col('売上金額').sum())
    .sort(by='売上金額', descending=True)
    .head(10)
)

# 売上金額 df = ( df.with_columns( (pl.col('単価')*pl.col('数量')).alias('売上金額') ) ) print('売上金額:', df['売上金額'].sum()) # 売上金額top10商品 ( df.group_by('商品名') .agg(pl.col('売上金額').sum()) .sort(by='売上金額', descending=True) .head(10) )

売上金額: 137681100

Out[4]:

shape: (10, 2)

商品名	売上金額
str	i64
"今宵の贅沢福牛盛り"	9361200
"生ビール（中）"	5554000
"焼肉４０００コース"	5435200
"タン塩大判切り"	4874100
"赤身・ハラミ焼肉定食"	3505500
"厳選ハラミ焼肉定食"	2989000
"厳選ハラミ"	2877000
"カルビ・ハラミ焼肉定食"	2829000
"カルビ・ロース・ハラミ焼肉定…	2563600
"カルビ＆ロース＆ハラミ盛り"	2355000

In [5]:

# 例題3.1
print('商品種類数:', df['商品名'].unique().len())

# 例題3.1 print('商品種類数:', df['商品名'].unique().len())

商品種類数: 323

In [6]:

# 例題3.2
# 売上数量上位１０商品
(
    df.group_by('商品名')
    .agg(pl.col('数量').sum())
    .sort(by='数量', descending=True)
    .head(10)
)

# 例題3.2 # 売上数量上位１０商品 ( df.group_by('商品名') .agg(pl.col('数量').sum()) .sort(by='数量', descending=True) .head(10) )

Out[6]:

shape: (10, 2)

商品名	数量
str	i64
"生ビール（中）"	11108
"ご飯"	5636
"烏龍茶"	4600
"・大判切りタン塩"	4577
"・大判ハラミ１枚切リ"	4519
"タン塩大判切り"	4431
"ご飯大盛り"	3277
"厳選ハラミ焼肉定食"	2989
"・デザート"	2955
"厳選ハラミ"	2877

月別売上金額の確認¶

In [7]:

# 月別の売上金額
df_monthly_sales = (
    df.sort(by='日付')
    .group_by_dynamic(index_column='日付', every='1mo')
    .agg(pl.col('売上金額').sum(), pl.col('日付').unique().len().alias('日数'))
    .with_columns((pl.col('売上金額')/pl.col('日数')).alias('平均売上金額'))
)

# plot
fig = make_subplots(rows=1, cols=2, subplot_titles=['売上金額', '平均売上金額'])
fig.add_trace(
    go.Bar(x=df_monthly_sales['日付'], y=df_monthly_sales['売上金額']),
    row=1, col=1
)
fig.add_trace(
    go.Bar(x=df_monthly_sales['日付'], y=df_monthly_sales['平均売上金額']),
    row=1, col=2
)
fig.update_xaxes(title_text='年月')
fig.update_layout(width=800, height=600)
fig.show()

# 月別の売上金額 df_monthly_sales = ( df.sort(by='日付') .group_by_dynamic(index_column='日付', every='1mo') .agg(pl.col('売上金額').sum(), pl.col('日付').unique().len().alias('日数')) .with_columns((pl.col('売上金額')/pl.col('日数')).alias('平均売上金額')) ) # plot fig = make_subplots(rows=1, cols=2, subplot_titles=['売上金額', '平均売上金額']) fig.add_trace( go.Bar(x=df_monthly_sales['日付'], y=df_monthly_sales['売上金額']), row=1, col=1 ) fig.add_trace( go.Bar(x=df_monthly_sales['日付'], y=df_monthly_sales['平均売上金額']), row=1, col=2 ) fig.update_xaxes(title_text='年月') fig.update_layout(width=800, height=600) fig.show()

In [8]:

# 例題3.3
# 売上金額top10の日付
(
    df.group_by('日付')
    .agg(pl.col('売上金額').sum())
    .sort(by='売上金額', descending=True)
    .head(10)
)

# 例題3.3 # 売上金額top10の日付 ( df.group_by('日付') .agg(pl.col('売上金額').sum()) .sort(by='売上金額', descending=True) .head(10) )

Out[8]:

shape: (10, 2)

日付	売上金額
date	i64
2019-02-10	910100
2019-01-02	898900
2018-07-14	819600
2018-03-25	788900
2018-06-02	788900
2018-03-03	782500
2018-05-03	746700
2018-12-29	744200
2018-03-31	723800
2018-10-07	723600

都道府県別の購買商品傾向の発見¶

単純集計とクロス集計¶

In [9]:

import zipfile
import requests
import io
url_zip_data = 'https://github.com/asakura-data-science/marketing/raw/main/Chapter_3/in/sec3-2data.csv.zip'
res = requests.get(url_zip_data)
zip = zipfile.ZipFile(io.BytesIO(res.content))
df = (
    pl.read_csv(zip.read('sec3-2data.csv'))
    .with_columns(pl.col('日付').cast(pl.Utf8).str.to_date(format='%Y%m%d'))
)
df.head()

import zipfile import requests import io url_zip_data = 'https://github.com/asakura-data-science/marketing/raw/main/Chapter_3/in/sec3-2data.csv.zip' res = requests.get(url_zip_data) zip = zipfile.ZipFile(io.BytesIO(res.content)) df = ( pl.read_csv(zip.read('sec3-2data.csv')) .with_columns(pl.col('日付').cast(pl.Utf8).str.to_date(format='%Y%m%d')) ) df.head()

Out[9]:

shape: (5, 13)

日付	購入数量	単価	金額	大分類	中分類	小分類	細分類	大分類名	中分類名	小分類名	細分類名	都道府県名
date	i64	i64	i64	i64	i64	i64	i64	str	str	str	str	str
2013-05-30	1	278	278	1	11	1115	111511	"食品"	"加工食品"	"加工肉類"	"ベーコン"	"大阪府"
2013-06-27	1	98	98	1	11	1113	111303	"食品"	"加工食品"	"パン・シリアル類"	"菓子パン"	"大阪府"
2013-10-31	1	98	98	1	11	1113	111303	"食品"	"加工食品"	"パン・シリアル類"	"菓子パン"	"大阪府"
2013-11-30	1	188	188	1	11	1117	111703	"食品"	"加工食品"	"漬物・佃煮"	"佃煮"	"大阪府"
2013-12-14	1	166	166	1	13	1301	130127	"食品"	"菓子類"	"菓子"	"ビスケット・クッキ?"	"大阪府"

In [10]:

# 購入数量に関する構成比率の計算
(
    df.group_by('大分類名')
    .agg(pl.col('購入数量').sum())
    .with_columns((pl.col('購入数量')/pl.col('購入数量').sum()).alias('構成比率'))
    .sort(by='構成比率', descending=True)
)

# 購入数量に関する構成比率の計算 ( df.group_by('大分類名') .agg(pl.col('購入数量').sum()) .with_columns((pl.col('購入数量')/pl.col('購入数量').sum()).alias('構成比率')) .sort(by='構成比率', descending=True) )

Out[10]:

shape: (5, 3)

大分類名	購入数量	構成比率
str	i64	f64
"食品"	6985143	0.884151
"日用品"	844745	0.106924
"文化用品"	49405	0.006253
"耐久消費財"	17443	0.002208
"衣類・身の回り品・スポーツ用…	3660	0.000463

In [11]:

# 例題3.4
# 金額に関する構成比率の計算
(
    df.group_by('大分類名')
    .agg(pl.col('金額').sum())
    .with_columns((pl.col('金額')/pl.col('金額').sum()).alias('構成比率'))
    .sort(by='構成比率', descending=True)
)

# 例題3.4 # 金額に関する構成比率の計算 ( df.group_by('大分類名') .agg(pl.col('金額').sum()) .with_columns((pl.col('金額')/pl.col('金額').sum()).alias('構成比率')) .sort(by='構成比率', descending=True) )

Out[11]:

shape: (5, 3)

大分類名	金額	構成比率
str	i64	f64
"食品"	1157980399	0.767476
"日用品"	320281312	0.212273
"文化用品"	14507064	0.009615
"耐久消費財"	13725924	0.009097
"衣類・身の回り品・スポーツ用…	2321927	0.001539

In [12]:

# 都道府県と大分類のクロス集計
(
    df.group_by(['都道府県名', '大分類名']).agg(pl.col('購入数量').sum())
    .pivot(values='購入数量', index='都道府県名', columns='大分類名')
)

# 都道府県と大分類のクロス集計 ( df.group_by(['都道府県名', '大分類名']).agg(pl.col('購入数量').sum()) .pivot(values='購入数量', index='都道府県名', columns='大分類名') )

Out[12]:

shape: (9, 6)

都道府県名	日用品	文化用品	耐久消費財	食品	衣類・身の回り品・スポーツ用品
str	i64	i64	i64	i64	i64
"大阪府"	121946	7793	2420	1080425	583
"愛知県"	114949	6486	2276	974383	429
"神奈川県"	132658	7948	2260	1022132	585
"千葉県"	93298	5680	1927	631874	426
"兵庫県"	62505	3865	1112	609932	266
"埼玉県"	87295	5120	1747	731999	320
"北海道"	92202	4130	2008	715934	452
"福岡県"	102711	6187	2926	792718	479
"茨城県"	37181	2196	767	425746	120

In [13]:

# 例題3.5
# 都道府県と大分類の構成比率のクロス集計
(
    df.group_by(['都道府県名', '大分類名']).agg(pl.col('購入数量').sum())
    .with_columns((pl.col('購入数量')/pl.col('購入数量').sum()).over('都道府県名').alias('構成比率'))
    .pivot(
        values='構成比率', index='都道府県名', columns='大分類名'
    )
)

# 例題3.5 # 都道府県と大分類の構成比率のクロス集計 ( df.group_by(['都道府県名', '大分類名']).agg(pl.col('購入数量').sum()) .with_columns((pl.col('購入数量')/pl.col('購入数量').sum()).over('都道府県名').alias('構成比率')) .pivot( values='構成比率', index='都道府県名', columns='大分類名' ) )

Out[13]:

shape: (9, 6)

都道府県名	日用品	衣類・身の回り品・スポーツ用品	文化用品	耐久消費財	食品
str	f64	f64	f64	f64	f64
"千葉県"	0.127247	0.000581	0.007747	0.002628	0.861797
"埼玉県"	0.105623	0.000387	0.006195	0.002114	0.885682
"兵庫県"	0.092234	0.000393	0.005703	0.001641	0.90003
"福岡県"	0.11349	0.000529	0.006836	0.003233	0.875911
"大阪府"	0.100519	0.000481	0.006424	0.001995	0.890582
"茨城県"	0.079786	0.000258	0.004712	0.001646	0.913598
"神奈川県"	0.113813	0.000502	0.006819	0.001939	0.876928
"北海道"	0.113169	0.000555	0.005069	0.002465	0.878742
"愛知県"	0.10464	0.000391	0.005904	0.002072	0.886994

詳細な分類レベルの集計¶

In [14]:

# 食品中分類のクロス集計
fig = px.bar(
    df.filter(pl.col('大分類名')=='食品')
    .group_by(['中分類名', '都道府県名']).agg(pl.col('購入数量').sum()),
    x='都道府県名', y='購入数量', color='中分類名'
)
fig.update_layout(width=800, height=600)
fig.show()

# 食品中分類のクロス集計 fig = px.bar( df.filter(pl.col('大分類名')=='食品') .group_by(['中分類名', '都道府県名']).agg(pl.col('購入数量').sum()), x='都道府県名', y='購入数量', color='中分類名' ) fig.update_layout(width=800, height=600) fig.show()

In [15]:

# 例題3.6
# 食品中分類の構成比率のクロス集計
fig = px.bar(
    df.filter(pl.col('大分類名')=='食品')
    .group_by(['中分類名', '都道府県名']).agg(pl.col('購入数量').sum())
    .with_columns((pl.col('購入数量')/pl.col('購入数量').sum()).over('都道府県名').alias('構成比率')),
    x='都道府県名', y='構成比率', color='中分類名'
)
fig.update_yaxes(range=[0, 1])
fig.update_layout(width=800, height=600)
fig.show()

# 例題3.6 # 食品中分類の構成比率のクロス集計 fig = px.bar( df.filter(pl.col('大分類名')=='食品') .group_by(['中分類名', '都道府県名']).agg(pl.col('購入数量').sum()) .with_columns((pl.col('購入数量')/pl.col('購入数量').sum()).over('都道府県名').alias('構成比率')), x='都道府県名', y='構成比率', color='中分類名' ) fig.update_yaxes(range=[0, 1]) fig.update_layout(width=800, height=600) fig.show()

In [16]:

# 冷凍食品のクロス集計
url_reishoku_data = 'https://github.com/asakura-data-science/marketing/raw/main/Chapter_3/in/sec3-2data_reisyoku.csv'
df_reishoku = (
    pl.read_csv(url_reishoku_data)
    .with_columns(pl.col('日付').cast(pl.Utf8).str.to_date(format='%Y%m%d'))
    .group_by(['名称', '都道府県名']).agg(pl.col('購入数量').sum())
    .pivot(
        values='購入数量', index='名称', columns='都道府県名'
    )
    .fill_null(0)
    .with_columns(pl.sum_horizontal(pl.exclude('名称')).alias('合計'))
    .sort(by='合計', descending=True)
)

# 冷凍食品のクロス集計 url_reishoku_data = 'https://github.com/asakura-data-science/marketing/raw/main/Chapter_3/in/sec3-2data_reisyoku.csv' df_reishoku = ( pl.read_csv(url_reishoku_data) .with_columns(pl.col('日付').cast(pl.Utf8).str.to_date(format='%Y%m%d')) .group_by(['名称', '都道府県名']).agg(pl.col('購入数量').sum()) .pivot( values='購入数量', index='名称', columns='都道府県名' ) .fill_null(0) .with_columns(pl.sum_horizontal(pl.exclude('名称')).alias('合計')) .sort(by='合計', descending=True) )

In [17]:

# 例題3.7
print('商品数:', df_reishoku.shape[0])
df_reishoku.head(30)

# 例題3.7 print('商品数:', df_reishoku.shape[0]) df_reishoku.head(30)

商品数: 5103

Out[17]:

shape: (30, 11)

名称	大阪府	神奈川県	愛知県	福岡県	埼玉県	北海道	千葉県	兵庫県	茨城県	合計
str	i64	i64	i64	i64	i64	i64	i64	i64	i64	i64
"冷凍食品4907"	774	711	734	657	448	161	391	445	246	4567
"冷凍食品2459"	380	271	199	315	249	122	166	92	62	1856
"冷凍食品4897"	224	284	232	230	111	180	125	98	81	1565
"冷凍食品1985"	256	170	212	298	152	68	170	107	124	1557
"冷凍食品4892"	317	228	146	192	151	93	68	89	149	1433
"冷凍食品2342"	170	196	145	277	114	90	73	59	56	1180
"冷凍食品1170"	229	196	75	119	107	86	103	124	98	1137
"冷凍食品4975"	189	154	138	127	118	62	94	52	102	1036
"冷凍食品2610"	131	153	97	280	88	17	101	66	67	1000
"冷凍食品2359"	72	248	95	123	141	55	116	39	68	957
"冷凍食品2523"	129	131	107	174	101	23	101	61	90	917
"冷凍食品1091"	192	178	93	124	113	17	60	71	64	912
…	…	…	…	…	…	…	…	…	…	…
"冷凍食品1072"	72	129	100	136	71	67	62	67	72	776
"冷凍食品1010"	124	202	69	54	104	56	63	29	72	773
"冷凍食品5006"	168	93	71	79	90	48	48	69	76	742
"冷凍食品5000"	162	121	33	61	189	22	94	25	28	735
"冷凍食品4465"	71	120	42	114	91	25	65	114	83	725
"冷凍食品3028"	78	130	99	133	111	19	36	25	87	718
"冷凍食品4462"	129	50	89	110	80	18	67	59	101	703
"冷凍食品2673"	185	46	82	66	30	60	48	119	66	702
"冷凍食品0097"	83	238	58	25	70	74	76	25	38	687
"冷凍食品3145"	150	61	69	90	32	66	62	79	64	673
"冷凍食品4466"	105	77	99	59	129	13	87	74	27	670
"冷凍食品2970"	117	64	102	102	52	42	38	59	94	670

In [18]:

# 例題3.8
(
    df_reishoku.head(30)
    .with_columns(pl.exclude('名称', '合計')/pl.col('合計'))
    .drop('合計')
)

# 例題3.8 ( df_reishoku.head(30) .with_columns(pl.exclude('名称', '合計')/pl.col('合計')) .drop('合計') )

Out[18]:

shape: (30, 10)

名称	大阪府	神奈川県	愛知県	福岡県	埼玉県	北海道	千葉県	兵庫県	茨城県
str	f64	f64	f64	f64	f64	f64	f64	f64	f64
"冷凍食品4907"	0.169477	0.155682	0.160718	0.143858	0.098095	0.035253	0.085614	0.097438	0.053865
"冷凍食品2459"	0.204741	0.146013	0.10722	0.16972	0.134159	0.065733	0.08944	0.049569	0.033405
"冷凍食品4897"	0.143131	0.18147	0.148243	0.146965	0.070927	0.115016	0.079872	0.06262	0.051757
"冷凍食品1985"	0.164419	0.109184	0.136159	0.191394	0.097624	0.043674	0.109184	0.068722	0.07964
"冷凍食品4892"	0.221214	0.159107	0.101884	0.133985	0.105373	0.064899	0.047453	0.062107	0.103978
"冷凍食品2342"	0.144068	0.166102	0.122881	0.234746	0.09661	0.076271	0.061864	0.05	0.047458
"冷凍食品1170"	0.201407	0.172383	0.065963	0.104661	0.094107	0.075638	0.090589	0.109059	0.086192
"冷凍食品4975"	0.182432	0.148649	0.133205	0.122587	0.1139	0.059846	0.090734	0.050193	0.098456
"冷凍食品2610"	0.131	0.153	0.097	0.28	0.088	0.017	0.101	0.066	0.067
"冷凍食品2359"	0.075235	0.259143	0.099269	0.128527	0.147335	0.057471	0.121212	0.040752	0.071055
"冷凍食品2523"	0.140676	0.142857	0.116685	0.189749	0.110142	0.025082	0.110142	0.066521	0.098146
"冷凍食品1091"	0.210526	0.195175	0.101974	0.135965	0.123904	0.01864	0.065789	0.077851	0.070175
…	…	…	…	…	…	…	…	…	…
"冷凍食品1072"	0.092784	0.166237	0.128866	0.175258	0.091495	0.08634	0.079897	0.08634	0.092784
"冷凍食品1010"	0.160414	0.26132	0.089263	0.069858	0.134541	0.072445	0.081501	0.037516	0.093144
"冷凍食品5006"	0.226415	0.125337	0.095687	0.106469	0.121294	0.06469	0.06469	0.092992	0.102426
"冷凍食品5000"	0.220408	0.164626	0.044898	0.082993	0.257143	0.029932	0.127891	0.034014	0.038095
"冷凍食品4465"	0.097931	0.165517	0.057931	0.157241	0.125517	0.034483	0.089655	0.157241	0.114483
"冷凍食品3028"	0.108635	0.181058	0.137883	0.185237	0.154596	0.026462	0.050139	0.034819	0.12117
"冷凍食品4462"	0.183499	0.071124	0.1266	0.156472	0.113798	0.025605	0.095306	0.083926	0.14367
"冷凍食品2673"	0.263533	0.065527	0.116809	0.094017	0.042735	0.08547	0.068376	0.169516	0.094017
"冷凍食品0097"	0.120815	0.346434	0.084425	0.03639	0.101892	0.107715	0.110626	0.03639	0.055313
"冷凍食品3145"	0.222883	0.090639	0.102526	0.13373	0.047548	0.098068	0.092125	0.117385	0.095097
"冷凍食品4466"	0.156716	0.114925	0.147761	0.08806	0.192537	0.019403	0.129851	0.110448	0.040299
"冷凍食品2970"	0.174627	0.095522	0.152239	0.152239	0.077612	0.062687	0.056716	0.08806	0.140299

In [19]:

# スピアマンの順位相関係数
pl.DataFrame(
    stats.spearmanr(df_reishoku.head(30).select(pl.exclude('名称', '合計')).to_numpy(), axis=0).statistic,
    df_reishoku.select(pl.exclude('名称', '合計')).columns
)

# スピアマンの順位相関係数 pl.DataFrame( stats.spearmanr(df_reishoku.head(30).select(pl.exclude('名称', '合計')).to_numpy(), axis=0).statistic, df_reishoku.select(pl.exclude('名称', '合計')).columns )

Out[19]:

shape: (9, 9)

大阪府	神奈川県	愛知県	福岡県	埼玉県	北海道	千葉県	兵庫県	茨城県
f64	f64	f64	f64	f64	f64	f64	f64	f64
1.0	0.260211	0.369962	0.352103	0.416917	0.405944	0.407482	0.437277	0.223756
0.260211	1.0	0.325876	0.522416	0.550957	0.492044	0.474124	0.117385	0.130648
0.369962	0.325876	1.0	0.693746	0.390317	0.438224	0.48497	0.089349	0.411333
0.352103	0.522416	0.693746	1.0	0.405607	0.236983	0.450701	0.331403	0.411706
0.416917	0.550957	0.390317	0.405607	1.0	0.147324	0.567613	0.012251	0.22268
0.405944	0.492044	0.438224	0.236983	0.147324	1.0	0.321794	0.267989	0.141681
0.407482	0.474124	0.48497	0.450701	0.567613	0.321794	1.0	0.137701	0.196148
0.437277	0.117385	0.089349	0.331403	0.012251	0.267989	0.137701	1.0	0.158962
0.223756	0.130648	0.411333	0.411706	0.22268	0.141681	0.196148	0.158962	1.0

In [20]:

stats.spearmanr(df_reishoku.select(pl.exclude('名称', '合計')).to_numpy(), axis=0).statistic

stats.spearmanr(df_reishoku.select(pl.exclude('名称', '合計')).to_numpy(), axis=0).statistic

Out[20]:

array([[1.        , 0.46399474, 0.47275958, 0.43268814, 0.43002943,
        0.3361361 , 0.43796807, 0.68785589, 0.3883122 ],
       [0.46399474, 1.        , 0.43148332, 0.35647345, 0.63642679,
        0.3292525 , 0.62796494, 0.4599006 , 0.45730059],
       [0.47275958, 0.43148332, 1.        , 0.37066235, 0.43547287,
        0.38420383, 0.46764747, 0.47491876, 0.45113818],
       [0.43268814, 0.35647345, 0.37066235, 1.        , 0.35376593,
        0.3894329 , 0.37508022, 0.40276662, 0.3534561 ],
       [0.43002943, 0.63642679, 0.43547287, 0.35376593, 1.        ,
        0.34108824, 0.68269525, 0.43456183, 0.55142564],
       [0.3361361 , 0.3292525 , 0.38420383, 0.3894329 , 0.34108824,
        1.        , 0.36384319, 0.35122563, 0.37680226],
       [0.43796807, 0.62796494, 0.46764747, 0.37508022, 0.68269525,
        0.36384319, 1.        , 0.44952186, 0.55952588],
       [0.68785589, 0.4599006 , 0.47491876, 0.40276662, 0.43456183,
        0.35122563, 0.44952186, 1.        , 0.38191603],
       [0.3883122 , 0.45730059, 0.45113818, 0.3534561 , 0.55142564,
        0.37680226, 0.55952588, 0.38191603, 1.        ]])

In [ ]: