データ生成

ここでは，サプライ・チェイン最適化で用いる基本的なランダムデータを生成する．生成されたデータは，csvファイルやExcelのファイルとして保管され，様々な最適化システムで用いられる．

WebアプリのためのExcelデータの生成

Webアプリで用いるExcelのデータをcsvファイルから生成する．

需要予測データ

• 需要データ: demand_with_promo
• プロモーションデータ: promo

から

• 需要予測用のExcelデータ： forecast_small.xlsx

を生成する．

#for forecast
# folder = "../data/"
# fns = ["demand_with_promo", "promo"]
# sheet_name =["demand_with_promo", "promo"]

# df ={}
# for fn in fns:
#     df[fn] = pd.read_csv(folder+fn+".csv", index_col=0)
#     df[fn] = df[fn].iloc[:100,:]

# with pd.ExcelWriter('forecast_small.xlsx') as writer:
#     for i,fn in enumerate(fns):
#         df[fn].to_excel(writer, sheet_name=sheet_name[i], index=False)

SCBASデータ

• 需要データ: demand
• 製品データ: prod_for_scbas

から

• SCBAS用のExcelデータ： scbas.xlsx

を生成する．

# for scbas
# folder = "../data/"
# fns = ["demand", "prod_for_scbas"]
# df ={}
# for fn in fns:
#     df[fn] = pd.read_csv(folder+fn+".csv", index_col=0)
# with pd.ExcelWriter('scbas.xlsx') as writer:
#     for fn in fns:
#         df[fn].to_excel(writer, sheet_name=fn)

MELOS-GFデータ

• 施設データ: melos-gf
• 移動時間データ: time

から

• MELOS-GF用のExcelデータ： melos-gf.xlsx

を生成する．

#for melos-gf
# folder = "../data/melos/"
# fns = ["melos-gf", "time"]
# df ={}
# for fn in fns:
#     df[fn] = pd.read_csv(folder+fn+".csv",index_col=0)
# with pd.ExcelWriter('melos-gf.xlsx') as writer:
#     for fn in fns:
#         df[fn].to_excel(writer, sheet_name=fn, index=False)

MELOSデータ

• 顧客データ： Cust
• 製品データ： Prod
• 需要データ: demand
• 倉庫データ：　DC
• 工場データ: Plnt
• 工場・製品データ: Plnt-Prod
• 移動時間データ: time

から

• MELOS用のExcelデータ： melos.xlsx

を生成する．

#for melos
# folder = "../data/"
# fns = ["Cust", "Prod", "demand", "DC", "Plnt", "Plnt-Prod", "time"]
# df ={}
# for fn in fns:
#     df[fn] = pd.read_csv(folder+fn+".csv", index_col=0)
# with pd.ExcelWriter('melos.xlsx') as writer:
#     for fn in fns:
#         df[fn].to_excel(writer, sheet_name=fn, index=False)

MESSAデータ

• 在庫地点（段階）データ： ssa01
• 部品展開表データ： ssa_bom01

から

• MESSA用のExcelデータ： messa.xlsx

を生成する．

#for messa
# folder = "../data/bom/"
# fns = ["ssa01", "ssa_bom01"]
# sheet_name =["stage", "bom"]
# df ={}
# for fn in fns:
#     df[fn] = pd.read_csv(folder+fn+".csv", index_col=0)
# with pd.ExcelWriter('messa.xlsx') as writer:
#     for i,fn in enumerate(fns):
#         df[fn].to_excel(writer, sheet_name=sheet_name[i], index=False)

OptSeqデータ

• act: 作業データ
• res: 資源データ
• mode: モードデータ
• act_mode: 作業・モードデータ
• mode_res: モード・資源データ
• temp: 時間制約データ
• non_res : 再生不能資源の右辺定数と制約の向きを表すデータ
• non_lhs : 再生不能資源の項（係数、作業、モードの組）を表すデータ
• state : 状態データ

から

• OptSeq用のExcelデータ： optseq.xlsx

を生成する．

#for optseq
# folder = "../data/optseq/"
# name ="ex22_"
# fns = ["act","mode", "res", "act_mode", "mode_res", "temp", "non_res", "non_lhs", "state" ]
# df ={}
# for i in fns:
#     fn =name+i
#     df[fn] = pd.read_csv(folder+fn+".csv", index_col=1)
#     df[fn].drop("Unnamed: 0", axis=1, inplace=True)
# with pd.ExcelWriter('optseq.xlsx') as writer:
#     for i in fns:
#         fn =name+i
#         df[fn].to_excel(writer, sheet_name=i)

METROデータ

• node: 作業データ
• job: 資源データ
• vehicle: モードデータ
• shipment: 作業・モードデータ
• break: モード・資源データ
• 移動時間データ: time

から

• METRO用のExcelデータ： metro.xlsx

を生成する．

#for metro
# folder = "../data/metroIV/"
# fns = ["node", "job", "vehicle", "shipment", "break", "time"]
# df ={}
# for fn in fns:
#     if fn =="break":
#         df[fn] = pd.read_csv(folder+fn+".csv", index_col=1)
#     else:
#         df[fn] = pd.read_csv(folder+fn+"02.csv", index_col=1)
#     df[fn].drop("Unnamed: 0", axis=1, inplace=True)
# with pd.ExcelWriter('metro.xlsx') as writer:
#     for fn in fns:
#         df[fn].to_excel(writer, sheet_name=fn)

OptShiftデータ

• period : 期間データフ
• break : 休憩データ
• day : 日データ
• job : ジョブデータ
• staff : スタッフデータ
• requirement : 必要人数データ

から

• OptShift用のExcelデータ： optshift.xlsx

を生成する．

#for optshift
# folder = "../data/shift/"
# fns = ["period", "break", "day", "job", "staff", "requirement"]
# df ={}
# for fn in fns:
#     df[fn] = pd.read_csv(folder+fn+".csv", index_col=1)
#     df[fn].drop("Unnamed: 0", axis=1, inplace=True)
# with pd.ExcelWriter('optshift.xlsx') as writer:
#     for fn in fns:
#         df[fn].to_excel(writer, sheet_name=fn)

OptLotデータ

• lotprod: 製品データ
• production : 生産情報データ
• bom : 部品展開表データ
• plnt-demand : 工場における（期別・製品別の）需要を入れたデータ
• resource : 資源データ

から

• OptLot用のExcelデータ： optlot.xlsx

を生成する．

SENDOデータ

• DC: 施設（倉庫）データ
• od: 需要（OD)データ

から

• SENDO用のExcelデータ： sendo.xlsx

を生成する．

#hide ## 郵便番号一覧から離島を削除

顧客データのランダム生成関数 generate_cust

日本の郵便番号データからランダムに地点をサンプリングすることによって、仮想の顧客データを生成する。 社名はFakeパッケージを用いて生成する。 配送計画問題の例題を作成する場合は、あまり遠い地点を選ばないように、都道府県名を引数 prefecture で指定する。 例えば、ロジスティクス・ネットワーク設計モデルやサービスネットワーク設計モデルにおいては、日本全国からランダムに選択し、配送計画モデルにおいては1つの県から選択する。

引数：

• num_locations: 地点数
• random_seed: 乱数の種（同じ問題例が欲しい場合には、同じ種を与える。）
• prefecture: 都道府県名（例えば”千葉県”のような文字列で与える。）省略するか空白の文字列の場合には、日本全国から選択する。

返値：

• ランダムに生成された顧客データ

データの列で必須なものは，名前 (name) と緯度・経度 (lat, lon; latitude, Longitudeの略) があれば良いが、リアリティを出すために，郵便番号と住所情報も付加されているが，最適化で必要な列は以下のものだけである．

顧客データの列：

• name: 名称
• lat: 緯度
• lon: 経度

---

source

split_csv_file

 split_csv_file (input_file, output_prefix, chunk_size)

---

source

combine_csv_files

 combine_csv_files (input_prefix)

---

source

generate_cust

 generate_cust (num_locations=10, random_seed=1, prefecture=None)

顧客データをランダムに生成する関数

generate_cust の使用例

cust_df = generate_cust(num_locations = 100, random_seed = 1, prefecture = None)
cust_df.head()

	zip	都道府県	市区町村	大字	lat	lon	name
0	9292124	石川県	七尾市	白浜町	37.067398	136.872225	合同会社近藤保険 第 33 支店
1	9593114	新潟県	村上市	南新保	38.119209	139.413431	有限会社鈴木保険 第 36 支店
2	9696038	福島県	大沼郡会津美里町	御用地甲	37.451172	139.901347	山田電気株式会社 第 68 支店
3	150502	秋田県	由利本荘市	鳥海町下川内	39.204261	140.177791	有限会社佐藤電気 第 65 支店
4	881407	北海道	厚岸郡浜中町	榊町西	43.116489	145.100383	斎藤保険株式会社 第 49 支店

地点間の距離が小さい顧客同士を列挙する関数 enumerate_near_points

同じ緯度・経度をもつ点があると，不具合を起こす場合があるので，事前に確認する関数を準備しておく．

引数： - cust_df: 顧客データフレーム - max_dis: 緯度経度を座標としたときの直線距離の上限；この値以下の地点の対を列挙する．

返値： - 近い点同士の情報を入れたデータフレーム

---

source

enumerate_near_points

 enumerate_near_points (cust_df, max_dis:float)

地点間の距離が小さい顧客同士を列挙する関数 enumerate_near_points

# df = enumerate_near_points(cust_df, 0.001)
# df.head()

顧客データの読み込み

顧客データをランダムに生成すると、リアリティがないデータになる危険性が高い。 日本全体にまんべんなく散りばめた顧客データが欲しい場合には、あらかじめ準備されたデータを用いる。 ここでは、各県の県庁所在地に顧客がいると仮定したデータを用いる。

ファイル名はcust.csvであり、データの列は、名前 (name) と緯度・経度 (lat, lon; latitude, longitudeの略) である。

#cust_df = pd.read_csv(folder+"cust.csv", index_col="id")
#cust_df.head()

#hide ## 中国の配送計画問題用の顧客データとトラックデータの生成

顧客の可視化関数 plot_cust

可視化モジュールPlotlyを使うと、顧客を地図上に表示できる。

引数： - cust_df: 顧客データフレーム - weight: 顧客の重み（需要量や売上）を表す配列；この量によって点の大きさを変えて描画する． （既定値はNoneで，その場合には同じ大きさで描画する．）

返値： - fig: Plotlyの図オブジェクト

---

source

plot_cust

 plot_cust (cust_df, weight=None)

顧客データフレームを入れると、PlotlyのFigureオブジェクトに地図を入れて返す関数

plot_cust 関数の使用例

上のplot_cust関数の適用例を示す。

# total_demand_df = pd.read_csv(folder+"total_demand.csv")
# demand_df = pd.pivot_table(total_demand_df, index="cust",values="demand")
# cust_df = pd.read_csv(folder+"cust.csv")
# fig = plot_cust(cust_df, demand_df.demand)
# plotly.offline.plot(fig);

製品データの生成関数 generate_prod, generate_many_prod

製品名は仮想のデータとし、大文字のアルファベットとする．

製品名をA，B，C．．．とする場合には，26以下の整数を製品数num_prodに指定する(generate_prod)．より大きい問題例の場合には，製品名を”prod1”のように数字をつけて表す(generate_many_prod)．

基本となる製品は、以下のデータをもつ。

• weight: 製品の重量を表す。これは引数 weight_bound （下限と上限のタプル） 間の一様乱数によって生成された整数とする。 (単位重量）
• volume: 製品の容積を表す。これは引数 volume_bound （下限と上限のタプル） 間の一様乱数によって生成された整数とする。（単位容積）
• cust_value : 顧客上での製品の価値を表す。これは引数 cust_value_bound　（下限と上限のタプル） 間の一様乱数によって生成された整数とする。（円）
• dc_value : 倉庫上での製品の価値を表す。これは引数 dc_value_bound　（下限と上限のタプル） 間の一様乱数によって生成された整数とする。（円）
• plnt_value : 工場における製品の価値を表す。これは引数 plnt_value_bound　（下限と上限のタプル） 間の一様乱数によって生成された整数とする。（円）
• fixed_cost: 製品の生産固定費用を表す。これは引数fc_bound　（下限と上限のタプル） 間の一様乱数によって生成された整数とする。(円/回)

引数： - num_prod: 製品数（generate_prodの場合は26以下の整数） - weight_bound: 製品の重量を生成するための下限と上限のタプル - volume_bound: 製品の容積を生成するための下限と上限のタプル - cust_value_bound:　顧客上での製品の価値を生成するための下限と上限のタプル - dc_value_bound:　倉庫上での製品の価値を生成するための下限と上限のタプル - plnt_value_bound:　工場における製品の価値を生成するための下限と上限のタプル - fc_bound: 製品の生産固定費用生成のための下限と上限のタプル - random_seed: 乱数の種

返値： - 製品データフレーム

列名： - name: 製品の名称 - weight: 製品の重量 (単位はkg) - volume: 製品の容量 (単位は \(m^3\)） - cust_value: 顧客上での製品の価値 - dc_value: 倉庫上での製品の価値 - plnt_value: 工場における製品の価値 - fixed_cost: 製品を生産する際の段取り（固定）費用

---

source

generate_prod

 generate_prod (num_prod=10, weight_bound=(0, 0), volume_bound=(0, 0),
                cust_value_bound=(1, 1), dc_value_bound=(1, 1),
                plnt_value_bound=(1, 1), fc_bound=(1, 1), random_seed=1)

仮想の製品のデータフレームを生成する関数

---

source

generate_many_prod

 generate_many_prod (num_prod=100, weight_bound=(0, 0), volume_bound=(0,
                     0), cust_value_bound=(1, 1), dc_value_bound=(1, 1),
                     plnt_value_bound=(1, 1), fc_bound=(1, 1),
                     random_seed=1)

仮想の製品のデータフレーム（２６より大きい）を生成する関数

generate_prod関数の使用例

10個の製品をそれらの重量を1以上5以下の整数に、顧客上での価値は5以上10以下の整数に、容積と他の価値は既定値、生産固定費用を10以上20以下の整数になるように設定する。

prod_df = generate_prod(10, weight_bound=(1, 5), cust_value_bound =(5,10), fc_bound=(10,20))
#prod_df.to_csv(folder+"Prod.csv")
prod_df.head()

	name	weight	volume	cust_value	dc_value	plnt_value	fixed_cost
0	A	2	0	7	1	1	14
1	B	5	0	5	1	1	14
2	C	1	0	5	1	1	19
3	D	3	0	5	1	1	17
4	E	1	0	10	1	1	18

#prod_df = generate_many_prod(num_prod=100, weight_bound=(0, 0), volume_bound=(0, 10), cust_value_bound=(1, 10))
#prod_df.head()

需要データの生成関数 generate_demand

顧客データと製品データを与えると、仮想の需要データを生成する関数を準備しておく。 需要は、以下のパラメータを用いて生成される。基本的な分布はパレート分布とし、週次ならびに月次の波動と誤差項を加える。

引数： - cust_df: 顧客データフレーム - prod_df: 製品データフレーム - cust_shape: 顧客のパレート分布の形状を定める定数 （正の値であり，小さいほど分布が偏る．） - prod_shape: 製品のパレート分布の形状を定める定数 （正の値であり，小さいほど分布が偏る．） - weekly_ratio: 週次の波動を表すリスト（０が日曜日）；長さは7 - yearly_ratio: 年次の波動を表すリスト（０が1月）；長さは12 - start: 開始日 - periods: 計画期間数 - epsilon: 誤差項（平均は \(0\)）の標準偏差 - correlation: 製品間の誤差項の相関（\(-1\)から\(1\)の浮動小数点数） - random_seed: 乱数の種

返値： - demand_df: 需要データフレーム

列名: - date: 日付 - cust: 顧客名 - prod: 製品名 - demand: 需要量

---

source

generate_demand

 generate_demand (cust_df, prod_df, cust_shape=1.7, prod_shape=1.7,
                  weekly_ratio=[1, 1, 1, 1, 1, 1, 1], yearly_ratio=[1, 1,
                  1, 1, 1, 1, 1, 1, 1, 1, 1, 1], start='2019/01/01',
                  periods=365, epsilon=0.0, correlation=0.8,
                  random_seed=1)

ランダムな需要を生成する関数

generate_demand関数の使用例

# weekly_ratio = [1.0, 1.0, 1.2, 1.3, 0.9, 1.5, 0.2]  # 0 means Sunday
# yearly_ratio = [1.0 + np.sin(i) for i in range(13)]  # 0 means January
# demand_df = generate_demand(cust_df, prod_df, cust_shape=1.7, prod_shape=1.6, weekly_ratio=weekly_ratio, yearly_ratio=yearly_ratio,
#                             start="2019/01/01", periods=365, epsilon=1., correlation=0.8)
# #demand_df.to_csv(folder + "demand_all.csv")
# demand_df.head()

---

source

generate_demand_normal

 generate_demand_normal (cust_df, prod_df, cust_loc, cust_scale, prod_loc,
                         prod_scale, weekly_ratio=[1, 1, 1, 1, 1, 1, 1],
                         yearly_ratio=[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
                         1], start='2019/01/01', periods=365, epsilon=0.0,
                         random_seed=1)

ランダムな正規分布の需要を生成する関数

generate_demand_normal関数の使用例

# weekly_ratio = [1.1, 1.2, 1.0, 0.9, 0.8, 0.95, 1.0]  # 0 means Sunday
# yearly_ratio = [1.0 + 0.1*np.sin(i) for i in range(13)]  # 0 means January
# demand_df = generate_demand_normal(cust_df, prod_df, cust_loc=100., cust_scale=10, prod_loc=10., prod_scale=4., weekly_ratio=weekly_ratio, yearly_ratio=yearly_ratio,
#                             start="2019/01/01", periods=365, epsilon=100.)
# demand_df.to_csv(folder + "demand_normal.csv")
# demand_df.head()

プロモーション情報の生成とプロモーションを加味した需要の生成関数 generate_demand_with_promo

引数： - cust_df: 顧客データフレーム - prod_df: 製品データフレーム - promo_df: プロモーション情報を入れたデータフレーム（promo_dfは、需要と同じ日付を入れた列dateと、プロモーション名を列名とし、プロモーションを行ったとき1になる列を持つものとする。） - cust_shape: 顧客のパレート分布の形状を定める定数 - prod_shape: 製品のパレート分布の形状を定める定数 - weekly_ratio: 週次の波動を表すリスト（０が日曜日）；長さは7 - yearly_ratio: 年次の波動を表すリスト（０が1月）；長さは12 - start: 開始日 - periods: 計画期間数 - epsilon: 誤差項（平均は \(0\)）の標準偏差 - correlation: 製品間の誤差項の相関（\(-1\)から\(1\)の浮動小数点数） - promo_0_ratio: プロモーション0が発生したときの需要の倍率（1からこの値までの一様乱数とする）． - promo_1_ratio: プロモーション1が発生したときの需要の倍率（1からこの値までの一様乱数とする）． - 返値： - demand_df: プロモーション情報を加味した需要データフレーム

---

source

generate_demand_with_promo

 generate_demand_with_promo (cust_df, prod_df, promo_df, cust_shape=1.7,
                             prod_shape=1.7, weekly_ratio=[1, 1, 1, 1, 1,
                             1, 1], yearly_ratio=[1, 1, 1, 1, 1, 1, 1, 1,
                             1, 1, 1, 1], start='2019/01/01', periods=365,
                             epsilon=0.0, promo_0_ratio=1.5,
                             promo_1_ratio=2.0, correlation=0.8,
                             random_seed=1)

プロモーション情報を加味したランダムな需要を生成する関数

generate_demand_with_promo関数の使用例

プロモーション情報を加えた需要データを生成しておく。プロモーション情報は、promo_dfデータフレームに保管してあるものとする。

promo_dfは、需要と同じ日付を入れた列dateと、プロモーション名を列名とし、その効果を列データとした列を持つものとする。

start="2019/01/01"
periods =365*3
date_col = []
num_promo =2 
promo_cols = [ [] for promo_ in range(num_promo)]
for t in pd.date_range(start, periods=periods):
    date_col.append(t)
    if t.weekday() == 2:  # Tsuesday promotion 
        promo_cols[0].append(1)
    else:
        promo_cols[0].append(0)
    if t.day%10 ==0: # 10th, 20th 30th day promotion
        promo_cols[1].append(1)
    else:
        promo_cols[1].append(0)

promo_df = pd.DataFrame(data={"date": date_col, "promo_0": promo_cols[0], "promo_1": promo_cols[1]})
#promo_df.head(20)
#promo_df.to_csv(folder + "promo.csv")
promo_df.head()

	date	promo_0	promo_1
0	2019-01-01	0	0
1	2019-01-02	1	0
2	2019-01-03	0	0
3	2019-01-04	0	0
4	2019-01-05	0	0

# cust_df = pd.read_csv(folder+"cust.csv")
# prod_df = pd.read_csv(folder+"prod.csv")
# promo_df = pd.read_csv(folder+"promo.csv", index_col=0)
# weekly_ratio = [1.1, 2.0, 2.2, 2.3, 1.9, 2.5, 1.2]   # 0 means Sunday
# yearly_ratio = [2.0 + np.sin(i) for i in range(13)]  # 0 means January
# demand_with_promo_df, cust_promo, prod_promo = generate_demand_with_promo(cust_df[:], prod_df[:], promo_df, 
#                                                   cust_shape=1.7, prod_shape=1.6, weekly_ratio=weekly_ratio, yearly_ratio=yearly_ratio,
#                                                   start="2019/01/01", periods=365*2, epsilon=1.)
#demand_with_promo_df.to_csv(folder + "demand_with_promo_all.csv")

#demand_with_promo_df.head()

予約需要の生成関数 generate_reservation_demand

収益管理で用いるランダムな予約需要データフレームを生成する。

引数： - class_df: 予約のクラスを表すデータフレーム； class_name列と基本需要（Possion分布に与える平均需要）を表す列 basic_demandをもつ。 - weekly_ratio: 週次の波動を表すリスト（０が日曜日）；長さは7 - start: 開始日 - periods: 計画期間数 - max_lt: 予約可能な日が何日前かを表すパラメータ

返値： - reserve_demand_df: 予約需要データフレーム

---

source

generate_reservation_demand

 generate_reservation_demand (class_df, weekly_ratio=[1, 1, 1, 1, 1, 1,
                              1], start='2019/01/01', periods=7, max_lt=1)

ランダムな予約需要を生成する関数

generate_reservation_demand関数の使用例

# class_df = pd.DataFrame({"class_name":["C","B","A"], "basic_demand": [20, 10, 5]})
# weekly_ratio = [0.0, 1.0, 1.2, 1.3, 0.9, 1.5, 0.2]  # 0 means Sunday
# start="2019/01/01"
# periods = 60
# max_lt = 30 # reservation in starts max_lt before check-in day 
# reserve_demand_df = generate_reservation_demand(class_df, weekly_ratio=[1]*7, start="2019/01/01", periods=7, max_lt = 1)
# reserve_demand_df.to_csv(folder+"reserve_demand.csv")
# reserve_demand_df.head()

OD需要量の生成

サービスネットワーク設計問題に対しては、地点間の需要量を定義する必要がある。荷物の始点を発生地点(origin）、終点を集中地点(destination）と呼ぶ。 地点間の需要量は、ODフロー量と呼ばれる。

ここでは、重力法 (gravity method) を用いて需要量を算出する。 県別の人口を入れた顧客データを読み込み、以下の式によって地点 \(i\) から地点 \(j\) へのODフロー量を計算する。

記号： - \(P_i\) : 地点 \(i\) の人口 - \(d_{ij}\) : 地点 \(i,j\) 間の距離（ここでは大圏距離とする。） - \(D_{ij}\) : 地点 \(i,j\) 間のODフロー量 - \(\alpha\) : 発生地点の人口がODフロー量に与える影響度 - \(\beta\) : 集中地点の人口がODフロー量に与える影響度

重力法： \[ D_{ij}= P_i^{\alpha} P_j^{\beta}/d_{ij} \]

都道府県の人口を入れたデータCust_with_population.csvを読み込む。

# #人口データの付加
# cust_df = pd.read_csv(folder+"Cust.csv", index_col=0)
# pop_df = pd.read_csv("population.csv")
# cust_df.reset_index(inplace=True)
# cust_df["population"] = pop_df["pop"].str.replace(",","").astype(float)
# cust_df.to_csv(folder + "Cust_with_population.csv")

# cust_df = pd.read_csv(folder+"Cust_with_population.csv", index_col=0)
# cust_df.head()

# n = len(cust_df)
# D = np.zeros( (n,n) )
# Distance = np.zeros( (n,n) )
# alpha, beta = 1.,0.5
# for i, row1 in enumerate(cust_df.itertuples()):
#     for j, row2 in enumerate(cust_df.itertuples()):
#         if i==j:
#             D[i,j] = 0.
#         else:
#             D[i,j] = (row1.population**alpha) * (row2.population**beta) /great_circle( (row1.lat, row1.lon), (row2.lat,row2.lon)).km
#             Distance[i,j] = great_circle( (row1.lat, row1.lon), (row2.lat,row2.lon)).km

# od_df = pd.DataFrame(D, index=cust_df.name, columns=cust_df.name)
# od_df.head()

#heatmap
#fig = px.imshow(D)
#fig.show()
#od_df.to_csv(folder + "od.csv")

#hide ## 実際問題のデータの読み込み

実際問題を解きたい場合には、上と同じ形式のデータを作成して読みこむ。

Plotly Expressによる需要の変化の図示

#fig = px.line(demand_df, x="date",  y="demand", color ="prod")
#fig = px.line(demand_with_promo_df, x="date",  y="demand", color ="prod")
#plotly.offline.plot(fig)
Image("../figure/demand_series.png")

Plotly Expressによる需要のヒストグラムの図示

#fig = px.histogram(demand_df, x="demand")
#fig = px.histogram(demand_with_promo_df, x="demand")
#plotly.offline.plot(fig)
Image("../figure/demand_hist.png")

需要の属性を生成する関数 demand_attribute_compute

需要量に応じて、以下のような諸量を計算し、需要データフレームに属性（列）として追加する関数

• 製品の売り上げ: 需要と製品の顧客上での価値（\(=\)価格）の積
• 重量合計：需要量と製品重量の積
• 容積合計：需要量と製品容積の積

引数：

• demand_df : 需要データフレーム
• prod_df : 製品データフレーム
• attribute_col_name : 需要にかけ合わせる製品データの列名；例えば、売り上げを計算したい場合には “cust_value” とする。
• new_col_name : 計算結果を格納するための列名；例えば、売り上げを保管したい場合には “sales” とする。

返値：

• 新しい列を追加した需要データフレーム

---

source

demand_attribute_compute

 demand_attribute_compute (demand_df, prod_df, attribute_col_name,
                           new_col_name)

需要データに新たな属性を追加する関数

demand_attribute_compute関数の使用例

# demand_df = demand_attribute_compute(demand_df, prod_df, "cust_value", "sales")
# #demand_df.to_csv(folder + "demand.csv")
# demand_df.head()

倉庫データの生成関数 generate_dc

倉庫の開設可能地点は、全ての顧客上と仮定する。 製品ごとの需要に製品の重量 weight を乗じたものの合計を計算し、それを倉庫の予定開設個数で割ることによって、倉庫の容量を設定する。 倉庫の容量の下限と上限を決める率 lb_ratio, ub_ratio を乗じて、下限と上限を決める。

引数： - cust_df: 顧客データフレーム - demand_df: 需要データフレーム - prod_df: 製品データフレーム - num_dc =5: 目標とする倉庫数（これにあわせて容量を決める． - lb_ratio=0.8: 容量の下限を決めるパラメータ - ub_ratio =1.2: 容量の上限を決めるパラメータ - vc_bound =(0.,0.5): 変動費用の下限と上限を表すパラメータ - fc_bound =(10000,10000): 固定費用の下限と上限を表すパラメータ - random_seed: 乱数の種

返値のデータフレームの列名と意味は以下の通り．

• name: 倉庫名称
• lb: 容量下限
• ub: 容量上限
• fc: 固定費用
• vc: 変動費用
• lat: 緯度
• lon: 経度

---

source

generate_dc

 generate_dc (cust_df, demand_df, prod_df, num_dc=5, lb_ratio=0.8,
              ub_ratio=1.2, vc_bounds=(0.0, 0.5), fc_bounds=(10000,
              11000), random_seed=1)

倉庫データの生成： 顧客データ、需要データ、製品データ、予定開設数、倉庫の容量を決めるための下限率、上限率を与えると、倉庫データを返す。

generate_dc関数の使用例

# demand_df = pd.read_csv(folder+"demand.csv")
# dc_df = generate_dc(cust_df, demand_df, prod_df, num_dc=5, lb_ratio=0.0, ub_ratio=10.3)
# dc_df.to_csv(folder + "DC.csv")
# dc_df.head()

工場データと生産情報データの生成関数 generate_plnt

工場は3つで、小田原、大阪、千葉にあると仮定する。 大阪工場では約半分の製品を、千葉では大阪工場で製造していない約半分の製品を生産でき、小田原工場では全ての製品を生産できるものとする。 生産容量は、総需要量と設定しておく。

引数：

• prod_df : 製品データフレーム
• demand_df : 需要データフレーム
• lead_time_bound: 工場での生産リード時間を決めるためのパラメータ； タプルで与えた下限と上限の間の一様整数乱数とする。

返値：

• plnt_df: 工場データフレーム
• plnt_prod_df: 工場・製品データフレーム

---

source

generate_plnt

 generate_plnt (prod_df, demand_df, lead_time_bound=(1, 2), random_seed=1)

工場データの生成

generate_plnt関数の使用例

# prod_df = pd.read_csv(folder+"prod.csv")
# demand_df = pd.read_csv(folder+"demand.csv")
# plnt_df, plnt_prod_df = generate_plnt(prod_df, demand_df, lead_time_bound=(25,30))
# plnt_df.to_csv(folder + "Plnt.csv")
# plnt_df.head()

# plnt_prod_df.to_csv(folder + "Plnt-Prod.csv")
# plnt_prod_df.head()