# -*- coding: utf-8 -*- """L84 埋蔵文化財包蔵地 11 件統合分析 — 広島県内 22 市町に分布する 2,653 件の埋蔵文化財を統合し、 種別・時代・市町・地理特性で深掘りする統合研究 カバー宣言: 本記事は DoBoX の「埋蔵文化財包蔵地一覧表」シリーズ 11 dataset_id (1660-1670) を全件統合し、 広島県内 22 市町に分布する 2,653 件の 埋蔵文化財包蔵地を 1 個の DataFrame に縦結合した上で、 広島県の 古代-中世-近世の地理構造を分析する研究記事である。 11 dataset_id (1660-1670): 1660 古墳・横穴 (n=2,379, 主データ), 1661 貝塚 (n=2), 1662 集落跡・散布地 (n=29), 1663 都城・官衙跡 (n=13), 1664 城館跡 (n=21), 1665 社寺跡 (n=2), 1666 生産遺跡 (n=1), 1667 その他の墳墓 (n=5), 1668 近代以降の単独遺跡 (n=2), 1669 その他 (n=198, 多種別), 1670 水中遺跡 (n=1) L4 との重複回避: L4 = 同シリーズの 1663 (都城・官衙跡 13 件) と 1669 (その他 198 件) を河川浸水想定区域とのオーバレイ判定で扱った (= 文化財立地リスク)。 L4 は文化財 300 件を浸水ハザードとの空間結合で評価する記事で、 埋蔵文化財自体の構造分析ではない。 L84 = 11 件全件 (2,653 件) を統合し、 埋蔵文化財自体の地理構造を 分析する記事。 浸水ハザードは扱わない。 種別・時代・市町・古墳形態 (円墳/方墳/前方後円)・出土物 (横穴式石室/須恵器/鉄製品)・標高近似 を主軸に深掘りする。 研究の問い (RQ): 広島県内 22 市町の埋蔵文化財包蔵地は、 種別・時代・地理特性で どのような構造を持ち、 何が広島県の古代-中世-近世の地理を規定したか? 仮説 H1〜H5: H1 (中山間古墳偏在仮説): 古墳数 top 3 市町は中山間地域 (東広島・北広島町・神石高原町・府中市など) で、 古墳の 60% 以上 が中山間に分布する。 古代の権力中心は瀬戸内沿岸ではなく、 内陸河川流域 (太田川中流・芦田川中流・神之瀬川流域) にあった可能性。 H2 (円墳支配仮説): 古墳の 50% 以上が「円墳」 (中小規模) で、 前方後円墳 (大規模王墓) は 2% 未満。 広島県は中小規模古墳の 密集地で、 巨大前方後円墳の集積地ではない (= 大和朝廷の中心ではなく、 地域豪族による中規模古墳群が主体)。 H3 (時代-種別対応仮説): 種別ごとに時代分布が顕著に異なる。 「古墳」 = 古墳時代 (3-7世紀) に集中。 「城館跡」 = 中世 (12-16世紀) に集中。 「砂留」「経塚」 = 近世 (17-19世紀) に集中。 各種別で時代 top 1 が 80% 以上のシェアを占める。 H4 (古墳横穴式石室普及仮説): 概要 (free text) を keyword mining すると、 古墳の 40% 以上が「横穴式石室」 (= 6 世紀以降の埋葬形式) に言及される。 広島県の古墳の主流は古墳時代後期 (6-7 世紀) であり、 前期・中期 (3-5 世紀) の竪穴式石室は少数派。 H5 (沿岸-内陸種別偏向仮説): 沿岸 (海抜 0-50m 推定) と内陸 (>200m 推定) で種別構成が異なる。 沿岸は中世の城館・近世の砂留・水中遺跡が多く、 内陸は古墳・集落跡が多い。 沿岸の古墳率 < 内陸の古墳率で 10 ポイント以上の差がある。 要件 S 準拠 (1 分以内完走): - 全件 2,653 行 × 13 列 → 超軽量 - geopandas 投影変換は EPSG:4326 → 6671 を 1 度のみ - 行政界 dissolve は L15 cache 21 zip を順次読込 - 想定完走時間 30-60 秒 要件 T 準拠 (位置情報あり=地図必須): - 県全域 2,653 点 主題図 (種別色分け) - 市町別 small multiples (22 panels) - 古墳形態地図 (円墳 vs 前方後円墳 vs 方墳) - 時代別 small multiples (4 panels: 縄文-弥生-古墳/中世/近世/近代) - 出土物 keyword 地理可視化 (横穴式石室 vs 須恵器 etc) 要件 Q 準拠: 図 8 / 表 11 (11 シリーズ × 多角度集計) データ仕様 (11 CSV すべて 13 列で統一): 番号, 名称, 種別, 時代, 市町名, 所在地, 緯度, 経度, 概要, 備考, 全国遺跡地図広島県（昭和57年文化庁発行）, 広島県遺跡地図の地図番号, 関連URL - すべて utf-8-sig (BOM 付き UTF-8) エンコード - 緯度経度は 10進度 (5-8 桁精度) - 多くの行は 概要 / 備考 が free text → keyword mining が必要 - 名称, 種別, 時代, 市町名 は構造化済み メモリ対策: Figure ごとに plt.close('all') で解放。 実行: cd "2026 DoBoX 教材" py -X utf8 lessons/L84_archaeological_sites.py """ from __future__ import annotations import sys import time import zipfile import io from pathlib import Path from html import escape sys.path.insert(0, str(Path(__file__).parent)) from _common import (ROOT, ASSETS, LESSONS, render_lesson, code, figure, ensure_dataset) import numpy as np import pandas as pd import geopandas as gpd from shapely.geometry import Point import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt from matplotlib.patches import Patch from matplotlib.lines import Line2D plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False t_all = time.time() print("=== L84 埋蔵文化財包蔵地 11 件統合分析 ===", flush=True) # ============================================================================= # 0. 定数・パス # ============================================================================= TARGET_CRS = "EPSG:6671" # JGD2011 平面直角第 III 系 (m) DATA_DIR = ROOT / "data" / "extras" / "L84_archaeological_sites" ADMIN_DIR = ROOT / "data" / "extras" / "L15_admin_zones" # 11 dataset_id × resource_id × slug × 種別ラベル DATASETS = [ (1660, 177383, "kofun", "古墳・横穴", "古墳"), (1661, 177384, "kaizuka", "貝塚", "貝塚"), (1662, 177385, "shuraku", "集落跡・散布地", "集落"), (1663, 177386, "tojo", "都城・官衙跡", "官衙"), (1664, 177387, "jokan", "城館跡", "城館"), (1665, 177388, "shaji", "社寺跡", "社寺"), (1666, 177389, "seisan", "生産遺跡", "生産"), (1667, 177390, "funbo", "その他の墳墓", "墳墓"), (1668, 177391, "kindai", "近代以降の単独遺跡", "近代"), (1669, 177392, "sonota", "その他", "その他"), (1670, 177393, "suichu", "水中遺跡", "水中"), ] # 種別ラベル → 色 (主題図用) GROUP_COLOR = { "古墳": "#cf222e", # 赤 = 古墳時代の象徴 "城館": "#0969da", # 青 = 中世武家 "官衙": "#9a6700", # 茶 = 古代律令 "集落": "#1f883d", # 緑 = 集落・散布地 "社寺": "#bf3989", # 紫 = 寺院・神社跡 "生産": "#8250df", # 紫青 = 窯跡など "墳墓": "#9a3412", # 暗赤 = その他の墳墓 "貝塚": "#0a6678", # 青緑 = 縄文海岸 "水中": "#005f73", # 海色 "近代": "#6e7781", # 灰 = 近代以降 "その他": "#d4a72c", # 黄 = その他複合 } # L15 admin マッピング (city_name -> admin_dsid) ADMIN_MAP = [ ("広島市", 786), ("呉市", 797), ("竹原市", 807), ("三原市", 814), ("尾道市", 824), ("福山市", 832), ("府中市", 840), ("三次市", 850), ("庄原市", 856), ("大竹市", 862), ("東広島市", 868), ("廿日市市", 878), ("安芸高田市", 888), ("江田島市", 894), ("府中町", 900), ("海田町", 905), ("熊野町", 911), ("坂町", 916), ("北広島町", 935), ("世羅町", 941), ] # 神石高原町・安芸太田町・大崎上島町 は L15 admin cache に無いため手動定義不要 # (admin polygon を読まずに L15 内の 20 zip だけで主要分析は可能) # しかし全 22 市町を含めたほうが H1 検証の正確性が増す → L15 admin に # 含まれない市町は admin_pref 全域 zip 内のサブを利用する (後述) ALL_CITIES = [ "広島市", "呉市", "竹原市", "三原市", "尾道市", "福山市", "府中市", "三次市", "庄原市", "大竹市", "東広島市", "廿日市市", "安芸高田市", "江田島市", "府中町", "海田町", "熊野町", "坂町", "北広島町", "世羅町", "神石高原町", "安芸太田町", "大崎上島町", ] # 中山間 / 沿岸 / 都市 / 近郊 4 区分 (L24 と同基準) GEO_TYPE = { "広島市": "都市", "呉市": "沿岸", "福山市": "都市", "東広島市": "都市", "廿日市市": "沿岸", "尾道市": "沿岸", "三原市": "沿岸", "竹原市": "沿岸", "府中市": "中山間", "大竹市": "沿岸", "三次市": "中山間", "庄原市": "中山間", "安芸高田市": "中山間", "江田島市": "離島", "府中町": "近郊", "海田町": "近郊", "熊野町": "近郊", "坂町": "近郊", "北広島町": "中山間", "世羅町": "中山間", "神石高原町": "中山間", "安芸太田町": "中山間", "大崎上島町": "離島", } GEO_TYPE_COLOR = { "都市": "#cf222e", "沿岸": "#0969da", "中山間": "#1f883d", "離島": "#8250df", "近郊": "#bf3989", } # 国土地理院公表値 (km², 千人) 参考 CITY_REF = { "広島市": (906.7, 1189), "呉市": (352.8, 210), "福山市": (518.1, 459), "東広島市": (635.3, 198), "廿日市市": (489.5, 117), "尾道市": (285.1, 130), "三原市": (471.6, 90), "竹原市": (118.2, 24), "府中市": (195.8, 37), "大竹市": ( 78.7, 26), "三次市": (778.1, 50), "庄原市": (1246.5, 33), "安芸高田市": (537.8, 27), "江田島市": (100.7, 22), "府中町": ( 10.4, 53), "海田町": ( 13.8, 30), "熊野町": ( 33.7, 23), "坂町": ( 15.7, 12), "北広島町": (646.2, 17), "世羅町": (278.2, 15), "神石高原町": (382.0, 9), "安芸太田町": (341.9, 6), "大崎上島町": ( 30.4, 7), } # ============================================================================= # 1. データ取得 (11 件) # ============================================================================= print("\n[1] データ取得 (11 シリーズ)", flush=True) t1 = time.time() DATA_DIR.mkdir(parents=True, exist_ok=True) for dsid, rid, slug, label, _grp in DATASETS: out = DATA_DIR / f"maizo_{dsid}_{slug}.csv" ensure_dataset(out, dataset_id=dsid, resource_id=rid, label=f"#{dsid} 埋蔵文化財包蔵地一覧表（{label}）") print(f" 取得完了 ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 2. 11 CSV を読込・統合 # ============================================================================= print("\n[2] 11 CSV 統合読込", flush=True) t2 = time.time() frames = [] load_log = [] for dsid, _rid, slug, label, group in DATASETS: p = DATA_DIR / f"maizo_{dsid}_{slug}.csv" raw = pd.read_csv(p, encoding="utf-8-sig") df = raw.dropna(subset=["名称"]).copy() df = df.rename(columns={ "名称": "name", "種別": "type_raw", "時代": "era_raw", "市町名": "muni", "所在地": "addr", "緯度": "lat", "経度": "lon", "概要": "desc", "備考": "remark", }) df["dataset_id"] = dsid df["series"] = label df["group"] = group df = df[["dataset_id", "series", "group", "name", "type_raw", "era_raw", "muni", "addr", "lat", "lon", "desc", "remark"]] load_log.append({ "dataset_id": dsid, "series": label, "group": group, "n_records": len(df), "n_geo": int(df.dropna(subset=["lat", "lon"]).shape[0]), "n_types": int(df["type_raw"].dropna().nunique()), "n_eras": int(df["era_raw"].dropna().nunique()), "n_munis": int(df["muni"].dropna().nunique()), "file_kb": round(p.stat().st_size / 1024, 1), }) frames.append(df) sites = pd.concat(frames, ignore_index=True) # lat/lon 数値強制変換 (一部行に文字混入があるため) sites["lat"] = pd.to_numeric(sites["lat"], errors="coerce") sites["lon"] = pd.to_numeric(sites["lon"], errors="coerce") sites["site_id"] = np.arange(1, len(sites) + 1) N_TOTAL = len(sites) N_GEO = sites.dropna(subset=["lat", "lon"]).shape[0] N_SERIES = sites["series"].nunique() N_MUNIS = sites["muni"].dropna().nunique() N_ERAS = sites["era_raw"].dropna().nunique() N_TYPES = sites["type_raw"].dropna().nunique() print(f" 統合: {N_TOTAL:,} 件 / 緯度経度あり {N_GEO:,} 件 " f"({N_GEO/N_TOTAL*100:.1f}%)", flush=True) print(f" シリーズ {N_SERIES} / 市町 {N_MUNIS} / 時代 {N_ERAS} / 種別 {N_TYPES}", flush=True) print(f" ({time.time()-t2:.2f}s)", flush=True) load_log_df = pd.DataFrame(load_log) # ============================================================================= # 3. 派生指標の計算 # - 古墳形態 (円墳/方墳/前方後円/横穴) の keyword mining # - 出土物 keyword (横穴式石室/竪穴式石室/須恵器/土師器/鉄器) # - 古墳径 (m) extraction # - 時代の正規化 (古代/中世/近世/近代/その他) # - 地理タイプ (都市/沿岸/中山間/離島/近郊) # ============================================================================= print("\n[3] 派生指標計算 (古墳形態・出土物・時代正規化)", flush=True) t3 = time.time() desc = sites["desc"].fillna("").astype(str) remark = sites["remark"].fillna("").astype(str) combo = desc + " " + remark # 古墳形態 sites["is_kofun"] = (sites["group"] == "古墳").astype(int) sites["form_enpun"] = combo.str.contains("円墳").astype(int) sites["form_hofun"] = combo.str.contains("方墳").astype(int) sites["form_zenpo"] = combo.str.contains("前方後円").astype(int) sites["form_yokoana"] = combo.str.contains("横穴墓|横穴$|横穴 |横穴，").astype(int) # 古墳のみ集計対象とする変数 (古墳判定は group=='古墳') # 出土物 keyword sites["k_yokoana_seki"] = combo.str.contains("横穴式石室").astype(int) sites["k_tateana_seki"] = combo.str.contains("竪穴|竪穴式").astype(int) sites["k_sueki"] = combo.str.contains("須恵器").astype(int) sites["k_hajiki"] = combo.str.contains("土師器").astype(int) sites["k_tetsu"] = combo.str.contains("鉄鏃|鉄製品|鉄刀|鉄剣|刀子").astype(int) sites["k_tama"] = combo.str.contains("勾玉|管玉|玉類|ガラス玉").astype(int) sites["k_kawara"] = combo.str.contains("瓦").astype(int) # 古墳径 (径Xm) を抽出 diam_match = combo.str.extract(r"径\s*([\d\.]+)\s*m") sites["diameter_m"] = pd.to_numeric(diam_match[0], errors="coerce") # 時代の正規化 (era_norm) def normalize_era(s): if pd.isna(s): return "不明" s = str(s) if "縄文" in s and "弥生" not in s: return "縄文" if "弥生" in s and "古墳" not in s: return "弥生" if "古墳" in s or "古噴" in s or "古填" in s: return "古墳" if "奈良" in s or "平安" in s or "古代" in s: return "古代" if "中世" in s or "鎌倉" in s or "室町" in s: return "中世" if "近世" in s or "江戸" in s or "桃山" in s: return "近世" if "近代" in s or "明治" in s or "大正" in s or "昭和" in s: return "近代" return "その他" sites["era_norm"] = sites["era_raw"].apply(normalize_era) # 地理タイプ sites["geo_type"] = sites["muni"].map(GEO_TYPE).fillna("その他") print(f" 派生指標完成 ({time.time()-t3:.2f}s)", flush=True) # ============================================================================= # 4. GeoDataFrame 化 + 行政界読込 # ============================================================================= print("\n[4] GeoDataFrame 化 + 行政界読込", flush=True) t4 = time.time() geo = sites.dropna(subset=["lat", "lon"]).copy() # 一部の行で lat/lon に文字混入 (例: '132.490311ズ') → 数値強制変換 geo["lat"] = pd.to_numeric(geo["lat"], errors="coerce") geo["lon"] = pd.to_numeric(geo["lon"], errors="coerce") geo = geo.dropna(subset=["lat", "lon"]).copy() # 広島県の緯経度範囲外を除外 (lat: 34-35, lon: 132-133.5) geo = geo[(geo["lat"] > 33.5) & (geo["lat"] < 35.5) & (geo["lon"] > 131.5) & (geo["lon"] < 134.0)].copy() gdf_sites = gpd.GeoDataFrame( geo, geometry=[Point(lon, lat) for lon, lat in zip(geo["lon"], geo["lat"])], crs="EPSG:4326", ).to_crs(TARGET_CRS) def load_admin_zip(zip_path: Path) -> gpd.GeoDataFrame: """L15 admin zip 内の単一 .geojson を BytesIO 経由で読み込む""" with zipfile.ZipFile(zip_path) as zf: gjs = [n for n in zf.namelist() if n.lower().endswith(".geojson")] if not gjs: raise FileNotFoundError(f"no .geojson in {zip_path.name}") with zf.open(gjs[0]) as f: return gpd.read_file(io.BytesIO(f.read())) admin_frames = [] for cname, dsid in ADMIN_MAP: z = ADMIN_DIR / f"admin_{dsid}_{cname}.zip" if not z.exists(): continue g = load_admin_zip(z) g["city"] = cname admin_frames.append(g) admin_all = gpd.GeoDataFrame(pd.concat(admin_frames, ignore_index=True), geometry="geometry", crs=admin_frames[0].crs).to_crs(TARGET_CRS) admin_diss = admin_all.dissolve(by="city", as_index=False) admin_diss["geo_type"] = admin_diss["city"].map(GEO_TYPE).fillna("その他") print(f" 行政界 dissolve: {len(admin_diss)} 市町 ({time.time()-t4:.2f}s)", flush=True) # ============================================================================= # 5. 集計表 # ============================================================================= print("\n[5] 集計表の作成", flush=True) t5 = time.time() # (1) シリーズ別集計 T_series = (sites.groupby(["dataset_id", "series", "group"]) .agg(n=("site_id", "size"), n_geo=("lat", lambda s: s.notna().sum()), n_munis=("muni", lambda s: s.dropna().nunique()), n_eras=("era_norm", lambda s: s.dropna().nunique())) .reset_index() .sort_values("n", ascending=False)) T_series["geo_pct"] = (T_series["n_geo"] / T_series["n"] * 100).round(1) # (2) 市町別集計 T_city = (sites.groupby("muni") .agg(n=("site_id", "size"), n_kofun=("is_kofun", "sum"), n_geo=("lat", lambda s: s.notna().sum())) .reset_index() .sort_values("n", ascending=False)) T_city["kofun_pct"] = (T_city["n_kofun"] / T_city["n"] * 100).round(1) T_city["area_km2"] = T_city["muni"].map(lambda c: CITY_REF.get(c, (np.nan, np.nan))[0]) T_city["pop_k"] = T_city["muni"].map(lambda c: CITY_REF.get(c, (np.nan, np.nan))[1]) T_city["density_per_km2"] = (T_city["n"] / T_city["area_km2"]).round(3) T_city["geo_type"] = T_city["muni"].map(GEO_TYPE).fillna("その他") # (3) 時代別 × シリーズ クロス T_era_series = (sites.groupby(["era_norm", "group"]).size() .unstack(fill_value=0)) ERA_ORDER = ["縄文", "弥生", "古墳", "古代", "中世", "近世", "近代", "その他", "不明"] T_era_series = T_era_series.reindex( [e for e in ERA_ORDER if e in T_era_series.index] ) T_era_total = sites["era_norm"].value_counts().reindex( [e for e in ERA_ORDER if e in sites["era_norm"].unique()] ).rename("件数").reset_index().rename(columns={"index": "era"}) # (4) シリーズ × 時代の集中度 (各シリーズで最大時代の占有率) era_concentration = [] for grp, sub in sites.groupby("group"): vc = sub["era_norm"].value_counts() if len(vc) == 0: continue top_era = vc.index[0] top_n = vc.iloc[0] era_concentration.append({ "group": grp, "n": len(sub), "top_era": top_era, "top_n": int(top_n), "top_pct": round(top_n / len(sub) * 100, 1), }) T_era_conc = (pd.DataFrame(era_concentration) .sort_values("n", ascending=False)) # (5) 古墳形態集計 (古墳のみ) kofun = sites[sites["group"] == "古墳"].copy() N_KOFUN = len(kofun) n_enpun = int(kofun["form_enpun"].sum()) n_hofun = int(kofun["form_hofun"].sum()) n_zenpo = int(kofun["form_zenpo"].sum()) n_yokoana = int(kofun["form_yokoana"].sum()) n_yokoana_seki = int(kofun["k_yokoana_seki"].sum()) n_tateana_seki = int(kofun["k_tateana_seki"].sum()) T_kofun_form = pd.DataFrame([ {"形態": "円墳", "件数": n_enpun, "占有率%": round(n_enpun / N_KOFUN * 100, 1), "説明": "中小規模の円形墳丘 (主流)"}, {"形態": "方墳", "件数": n_hofun, "占有率%": round(n_hofun / N_KOFUN * 100, 1), "説明": "正方形/長方形の墳丘"}, {"形態": "前方後円墳", "件数": n_zenpo, "占有率%": round(n_zenpo / N_KOFUN * 100, 1), "説明": "鍵穴形 (大規模王墓)"}, {"形態": "横穴墓 言及", "件数": n_yokoana, "占有率%": round(n_yokoana / N_KOFUN * 100, 1), "説明": "山腹に穿った墓 (古墳時代後期)"}, ]) # 出土物・埋葬形式 T_kofun_artifact = pd.DataFrame([ {"出土物・形式": "横穴式石室", "件数": n_yokoana_seki, "言及率%": round(n_yokoana_seki / N_KOFUN * 100, 1), "意味": "古墳時代後期 (6-7世紀) の埋葬形式"}, {"出土物・形式": "竪穴式石室", "件数": n_tateana_seki, "言及率%": round(n_tateana_seki / N_KOFUN * 100, 1), "意味": "古墳時代前期-中期 (3-5世紀) の埋葬形式"}, {"出土物・形式": "須恵器", "件数": int(kofun["k_sueki"].sum()), "言及率%": round(kofun["k_sueki"].sum() / N_KOFUN * 100, 1), "意味": "5世紀以降の硬質灰色土器 (朝鮮半島由来)"}, {"出土物・形式": "土師器", "件数": int(kofun["k_hajiki"].sum()), "言及率%": round(kofun["k_hajiki"].sum() / N_KOFUN * 100, 1), "意味": "弥生土器の系譜を引く赤茶色土器"}, {"出土物・形式": "鉄製品 (鉄鏃・刀)", "件数": int(kofun["k_tetsu"].sum()), "言及率%": round(kofun["k_tetsu"].sum() / N_KOFUN * 100, 1), "意味": "副葬品・武具 (権威の象徴)"}, {"出土物・形式": "玉類 (勾玉・管玉)", "件数": int(kofun["k_tama"].sum()), "言及率%": round(kofun["k_tama"].sum() / N_KOFUN * 100, 1), "意味": "祭祀・装飾具"}, ]) # (6) 古墳径分布 diam = kofun["diameter_m"].dropna() N_DIAM = len(diam) T_diam = pd.DataFrame([ {"指標": "径記載数", "値": int(N_DIAM)}, {"指標": "径記載率%", "値": round(N_DIAM / N_KOFUN * 100, 1)}, {"指標": "平均径 (m)", "値": round(float(diam.mean()), 2)}, {"指標": "中央値径 (m)", "値": round(float(diam.median()), 2)}, {"指標": "最大径 (m)", "値": round(float(diam.max()), 1)}, {"指標": "最小径 (m)", "値": round(float(diam.min()), 1)}, {"指標": "径 ≤ 10m (中小)", "値": int((diam <= 10).sum())}, {"指標": "径 ≤ 10m 占有率%", "値": round((diam <= 10).sum() / N_DIAM * 100, 1)}, {"指標": "径 > 30m (大規模)", "値": int((diam > 30).sum())}, ]) # (7) 地理タイプ × group クロス T_geo_group = (sites.groupby(["geo_type", "group"]).size() .unstack(fill_value=0)) GEO_ORDER = ["都市", "沿岸", "中山間", "離島", "近郊"] T_geo_group = T_geo_group.reindex( [g for g in GEO_ORDER if g in T_geo_group.index] ) T_geo_total = sites.groupby("geo_type").size().reindex(GEO_ORDER, fill_value=0) T_geo_kofun_pct = (sites[sites["group"] == "古墳"].groupby("geo_type").size() / sites.groupby("geo_type").size() * 100).round(1) T_geo_kofun_pct = T_geo_kofun_pct.reindex(GEO_ORDER, fill_value=0) T_geo_summary = pd.DataFrame({ "地理タイプ": T_geo_total.index, "件数": T_geo_total.values, "件数_%": (T_geo_total / T_geo_total.sum() * 100).round(1).values, "古墳率_%": T_geo_kofun_pct.values, }) # (8) 1 件追跡 (要件 K) sample = sites[sites["group"] == "古墳"].dropna(subset=["lat", "lon"]).iloc[0] T_track = pd.DataFrame([ {"段階": "0. 元 CSV 行", "値": f'{sample["name"]} / {sample["type_raw"]} / {sample["era_raw"]}'}, {"段階": "1. 統合後 (group)", "値": f'{sample["group"]} → 種別正規化'}, {"段階": "2. 時代正規化 (era_norm)", "値": f'{sample["era_raw"]} → {sample["era_norm"]}'}, {"段階": "3. 緯度経度", "値": f'{sample["lat"]:.5f}, {sample["lon"]:.5f}'}, {"段階": "4. 投影 (EPSG:6671)", "値": "Point(x, y) [m 単位]"}, {"段階": "5. 概要 keyword 抽出", "値": str(sample["desc"])[:50]}, {"段階": "6. 円墳 flag", "値": int(sample["form_enpun"])}, {"段階": "7. 横穴式石室 flag", "値": int(sample["k_yokoana_seki"])}, {"段階": "8. 径抽出 (m)", "値": str(sample["diameter_m"])}, {"段階": "9. 地理タイプ", "値": sample["geo_type"]}, ]) # (9) L4 重複比較 (1663 + 1669 を L4 で扱った件数 = 13 + 198 = 211) T_l4_compare = pd.DataFrame([ {"記事": "L4 (浸水×文化財)", "対象シリーズ": "1663 + 1669 + 被爆樹木 (3 系統)", "件数": "300 件 (211 + 89)", "主軸": "河川浸水想定区域との空間結合 (sjoin)", "視点": "ハザード×立地"}, {"記事": "L84 (本記事)", "対象シリーズ": "1660-1670 (11 シリーズ全件)", "件数": f"{N_TOTAL:,} 件", "主軸": "種別×時代×市町×形態の構造分析", "視点": "埋蔵文化財自体の地理構造"}, {"記事": "重複", "対象シリーズ": "1663 (13件) + 1669 (198件) = 211件", "件数": "L4 と L84 で同レコード", "主軸": "L84 では浸水軸を扱わない (重複ゼロ)", "視点": "立地リスク評価 vs 構造分析"}, ]) print(f" 集計表 9 種完成 ({time.time()-t5:.2f}s)", flush=True) # ============================================================================= # 6. CSV 保存 (再現性確保) # ============================================================================= print("\n[6] CSV 保存", flush=True) t6 = time.time() # 主表 sites_save = sites.copy() sites_save["lat"] = sites_save["lat"].round(5) sites_save["lon"] = sites_save["lon"].round(5) sites_save["diameter_m"] = sites_save["diameter_m"].round(2) sites_save.to_csv(ASSETS / "L84_sites_all.csv", index=False, encoding="utf-8-sig") load_log_df.to_csv(ASSETS / "L84_load_log.csv", index=False, encoding="utf-8-sig") T_series.to_csv(ASSETS / "L84_series_summary.csv", index=False, encoding="utf-8-sig") T_city.to_csv(ASSETS / "L84_city_summary.csv", index=False, encoding="utf-8-sig") T_era_series.to_csv(ASSETS / "L84_era_series_cross.csv", encoding="utf-8-sig") T_era_conc.to_csv(ASSETS / "L84_era_concentration.csv", index=False, encoding="utf-8-sig") T_kofun_form.to_csv(ASSETS / "L84_kofun_form.csv", index=False, encoding="utf-8-sig") T_kofun_artifact.to_csv(ASSETS / "L84_kofun_artifact.csv", index=False, encoding="utf-8-sig") T_diam.to_csv(ASSETS / "L84_diameter_stats.csv", index=False, encoding="utf-8-sig") T_geo_summary.to_csv(ASSETS / "L84_geo_summary.csv", index=False, encoding="utf-8-sig") T_geo_group.to_csv(ASSETS / "L84_geo_group_cross.csv", encoding="utf-8-sig") T_track.to_csv(ASSETS / "L84_track_one_site.csv", index=False, encoding="utf-8-sig") T_l4_compare.to_csv(ASSETS / "L84_l4_compare.csv", index=False, encoding="utf-8-sig") print(f" CSV 13 種出力 ({time.time()-t6:.2f}s)", flush=True) # ============================================================================= # 7. 図の作成 (8 枚) # ============================================================================= print("\n[7] 図の作成", flush=True) t7 = time.time() # --- Fig 1: 県全域 2,653 件 主題図 (種別色分け) --- fig, ax = plt.subplots(figsize=(13, 9)) admin_diss.plot(ax=ax, facecolor="#f5f5f5", edgecolor="#888", linewidth=0.4) admin_diss.boundary.plot(ax=ax, color="#666", linewidth=0.4) group_count = {} for grp, col in GROUP_COLOR.items(): sub = gdf_sites[gdf_sites["group"] == grp] if len(sub) > 0: # 古墳は最も多いので小さめ・透過、 その他は大きめ if grp == "古墳": sub.plot(ax=ax, color=col, markersize=4, alpha=0.45) else: sub.plot(ax=ax, color=col, markersize=22, alpha=0.85, edgecolor="white", linewidth=0.4) group_count[grp] = len(sub) ax.set_aspect("equal") ax.set_title(f"広島県 埋蔵文化財包蔵地 全 {N_TOTAL:,} 件 — 11 シリーズ統合 " f"(緯度経度あり {N_GEO:,} 件)", fontsize=13) legend_handles = [Line2D([0], [0], marker="o", color="w", markerfacecolor=GROUP_COLOR[g], markersize=8, alpha=0.85, label=f"{g} ({group_count.get(g, 0):,})") for g in GROUP_COLOR if g in group_count] ax.legend(handles=legend_handles, loc="lower left", fontsize=8, framealpha=0.92, ncol=2) ax.set_xticks([]); ax.set_yticks([]) plt.tight_layout() plt.savefig(ASSETS / "L84_fig01_overview.png", dpi=130) plt.close("all") print(f" Fig 1 完成 ({time.time()-t7:.2f}s)", flush=True) # --- Fig 2: 市町別 件数ランキング + 地理タイプ色 --- fig, axes = plt.subplots(1, 2, figsize=(15, 9), gridspec_kw={"width_ratios": [3, 2]}) order = T_city.sort_values("n", ascending=True) colors = [GEO_TYPE_COLOR[gt] for gt in order["geo_type"]] ax0 = axes[0] ax0.barh(order["muni"], order["n"], color=colors, edgecolor="white") for i, (n, kp) in enumerate(zip(order["n"], order["kofun_pct"])): ax0.text(n + 15, i, f"{n:,} (古墳率 {kp}%)", va="center", fontsize=8) ax0.set_xlabel("埋蔵文化財包蔵地 件数") ax0.set_title("市町別ランキング (棒色 = 地理タイプ)", fontsize=12) geo_handles = [Patch(facecolor=c, label=g) for g, c in GEO_TYPE_COLOR.items()] ax0.legend(handles=geo_handles, loc="lower right", fontsize=9) # 右: 件数 vs 単位面積あたり密度 散布図 ax1 = axes[1] valid = T_city.dropna(subset=["density_per_km2"]) for gt, c in GEO_TYPE_COLOR.items(): sub = valid[valid["geo_type"] == gt] ax1.scatter(sub["area_km2"], sub["n"], color=c, s=60, alpha=0.85, edgecolor="white", linewidth=0.6, label=gt) for _, r in valid.nlargest(8, "n").iterrows(): ax1.annotate(r["muni"], (r["area_km2"], r["n"]), fontsize=8, xytext=(3, 3), textcoords="offset points") ax1.set_xlabel("市町面積 (km²)") ax1.set_ylabel("埋蔵文化財包蔵地 件数") ax1.set_title("市域面積 vs 件数 (地理タイプ色)", fontsize=12) ax1.legend(fontsize=8) ax1.grid(True, alpha=0.3) plt.tight_layout() plt.savefig(ASSETS / "L84_fig02_city_ranking.png", dpi=130) plt.close("all") print(f" Fig 2 完成 ({time.time()-t7:.2f}s)", flush=True) # --- Fig 3: 時代別 × シリーズ (group) ヒートマップ --- fig, ax = plt.subplots(figsize=(11, 6)) data = T_era_series.values im = ax.imshow(data, aspect="auto", cmap="YlOrRd") ax.set_xticks(range(len(T_era_series.columns))) ax.set_xticklabels(T_era_series.columns, rotation=45, ha="right") ax.set_yticks(range(len(T_era_series.index))) ax.set_yticklabels(T_era_series.index) for i in range(data.shape[0]): for j in range(data.shape[1]): v = data[i, j] if v > 0: color = "white" if v > data.max() * 0.5 else "black" ax.text(j, i, f"{int(v):,}", ha="center", va="center", fontsize=8, color=color) plt.colorbar(im, ax=ax, label="件数") ax.set_title("時代 × シリーズ (種別) ヒートマップ", fontsize=12) ax.set_xlabel("シリーズ (group)") ax.set_ylabel("時代 (正規化)") plt.tight_layout() plt.savefig(ASSETS / "L84_fig03_era_series_heatmap.png", dpi=130) plt.close("all") print(f" Fig 3 完成 ({time.time()-t7:.2f}s)", flush=True) # --- Fig 4: 古墳形態 (円墳/方墳/前方後円) 地理可視化 --- fig, axes = plt.subplots(1, 3, figsize=(18, 8)) gdf_kofun = gdf_sites[gdf_sites["group"] == "古墳"].copy() panels = [ ("円墳", gdf_kofun[gdf_kofun["form_enpun"] == 1], "#cf222e"), ("方墳", gdf_kofun[gdf_kofun["form_hofun"] == 1], "#0969da"), ("前方後円墳", gdf_kofun[gdf_kofun["form_zenpo"] == 1], "#9a6700"), ] for ax_, (label, sub, col) in zip(axes, panels): admin_diss.plot(ax=ax_, facecolor="#f5f5f5", edgecolor="#888", linewidth=0.3) admin_diss.boundary.plot(ax=ax_, color="#666", linewidth=0.3) if len(sub) > 0: sub.plot(ax=ax_, color=col, markersize=14, alpha=0.7, edgecolor="white", linewidth=0.3) ax_.set_title(f"{label} (n={len(sub):,})", fontsize=12) ax_.set_aspect("equal") ax_.set_xticks([]); ax_.set_yticks([]) plt.suptitle("古墳形態 3 区分の県内分布 (概要 keyword mining 由来)", fontsize=13, y=1.00) plt.tight_layout() plt.savefig(ASSETS / "L84_fig04_kofun_forms.png", dpi=130) plt.close("all") print(f" Fig 4 完成 ({time.time()-t7:.2f}s)", flush=True) # --- Fig 5: 古墳径ヒストグラム + 出土物 keyword 棒 --- fig, axes = plt.subplots(1, 2, figsize=(15, 6)) ax0 = axes[0] ax0.hist(diam, bins=np.arange(0, 50, 2), color="#cf222e", edgecolor="white", alpha=0.85) ax0.axvline(float(diam.median()), color="black", linestyle="--", label=f"中央値 = {diam.median():.1f} m") ax0.axvline(float(diam.mean()), color="#0969da", linestyle="--", label=f"平均 = {diam.mean():.1f} m") ax0.set_xlabel("古墳径 (m)") ax0.set_ylabel("件数") ax0.set_title(f"古墳径ヒストグラム (n={N_DIAM:,} の径記載古墳)", fontsize=12) ax0.legend(fontsize=10) ax0.grid(True, alpha=0.3) ax1 = axes[1] artifact_data = T_kofun_artifact.sort_values("件数", ascending=True) colors_a = ["#cf222e", "#0969da", "#9a6700", "#1f883d", "#bf3989", "#8250df"] ax1.barh(artifact_data["出土物・形式"], artifact_data["件数"], color=colors_a[:len(artifact_data)], edgecolor="white") for i, v in enumerate(artifact_data["件数"]): pct = artifact_data.iloc[i]["言及率%"] ax1.text(v + 10, i, f"{v:,} ({pct}%)", va="center", fontsize=9) ax1.set_xlabel(f"言及件数 (古墳総数 {N_KOFUN:,} に対する)") ax1.set_title("古墳の出土物・埋葬形式 (概要 keyword mining)", fontsize=12) ax1.grid(True, alpha=0.3, axis="x") plt.tight_layout() plt.savefig(ASSETS / "L84_fig05_kofun_diameter_artifacts.png", dpi=130) plt.close("all") print(f" Fig 5 完成 ({time.time()-t7:.2f}s)", flush=True) # --- Fig 6: 市町別 small multiples (件数 top 12 — 行政界 fallback として bbox) --- top12_cities = T_city.nlargest(12, "n")["muni"].tolist() fig, axes = plt.subplots(3, 4, figsize=(18, 13)) for ax_, cname in zip(axes.flat, top12_cities): sub = gdf_sites[gdf_sites["muni"] == cname] cnt = admin_diss[admin_diss["city"] == cname] if len(cnt) > 0: cnt.plot(ax=ax_, facecolor="#f5f5f5", edgecolor="#888", linewidth=0.3) cnt.boundary.plot(ax=ax_, color="#444", linewidth=0.4) else: # 行政界 cache が無い市町: 県全体の薄背景 + 点群の bbox 拡大 admin_diss.plot(ax=ax_, facecolor="#fafafa", edgecolor="#bbb", linewidth=0.2) if len(sub) > 0: xmin, ymin, xmax, ymax = sub.total_bounds margin = 5000 # 5 km ax_.set_xlim(xmin - margin, xmax + margin) ax_.set_ylim(ymin - margin, ymax + margin) if len(sub) > 0: for grp, col in GROUP_COLOR.items(): ssub = sub[sub["group"] == grp] if len(ssub) > 0: ms = 5 if grp == "古墳" else 18 alpha = 0.5 if grp == "古墳" else 0.85 ssub.plot(ax=ax_, color=col, markersize=ms, alpha=alpha, edgecolor="white", linewidth=0.2) ax_.set_aspect("equal") ax_.set_xticks([]); ax_.set_yticks([]) n = len(sub) n_kofun = (sub["group"] == "古墳").sum() gt = GEO_TYPE.get(cname, "?") fallback_note = "" if len(cnt) > 0 else " *bbox表示" ax_.set_title(f"{cname} ({gt}){fallback_note}\n" f"総 {n:,} 件 / 古墳 {n_kofun:,}", fontsize=10) plt.suptitle("市町別 small multiples — 件数上位 12 市町", fontsize=14, y=1.00) plt.tight_layout() plt.savefig(ASSETS / "L84_fig06_city_small_multiples.png", dpi=110) plt.close("all") print(f" Fig 6 完成 ({time.time()-t7:.2f}s)", flush=True) # --- Fig 7: 横穴式石室 vs 竪穴式石室 地理可視化 (古墳時代の前後期分布) --- fig, axes = plt.subplots(1, 2, figsize=(16, 8)) panels = [ ("横穴式石室 (古墳時代後期 6-7世紀)", gdf_kofun[gdf_kofun["k_yokoana_seki"] == 1], "#cf222e", n_yokoana_seki), ("竪穴式石室 (古墳時代前期-中期 3-5世紀)", gdf_kofun[gdf_kofun["k_tateana_seki"] == 1], "#0969da", n_tateana_seki), ] for ax_, (label, sub, col, n) in zip(axes, panels): admin_diss.plot(ax=ax_, facecolor="#f5f5f5", edgecolor="#888", linewidth=0.3) admin_diss.boundary.plot(ax=ax_, color="#666", linewidth=0.3) if len(sub) > 0: sub.plot(ax=ax_, color=col, markersize=10, alpha=0.6, edgecolor="white", linewidth=0.2) ax_.set_title(f"{label}\n(n={n:,} = 古墳 {N_KOFUN:,} の " f"{n/N_KOFUN*100:.1f}%)", fontsize=11) ax_.set_aspect("equal") ax_.set_xticks([]); ax_.set_yticks([]) plt.suptitle("古墳時代後期 vs 前期-中期 — 埋葬形式の県内地理", fontsize=13, y=1.00) plt.tight_layout() plt.savefig(ASSETS / "L84_fig07_burial_chambers.png", dpi=130) plt.close("all") print(f" Fig 7 完成 ({time.time()-t7:.2f}s)", flush=True) # --- Fig 8: 地理タイプ × group クロス + 沿岸/内陸 種別構成 --- fig, axes = plt.subplots(1, 2, figsize=(16, 7)) # 左: 地理タイプ別 group 構成 (積み上げ棒) ax0 = axes[0] T_geo_pct = T_geo_group.div(T_geo_group.sum(axis=1), axis=0) * 100 bottom = np.zeros(len(T_geo_pct)) for grp in T_geo_pct.columns: ax0.bar(T_geo_pct.index, T_geo_pct[grp], bottom=bottom, color=GROUP_COLOR.get(grp, "#888"), edgecolor="white", label=grp, alpha=0.85) bottom = bottom + T_geo_pct[grp].values ax0.set_ylabel("構成比 (%)") ax0.set_title("地理タイプ別 種別構成 (積み上げ棒, 100%)", fontsize=12) ax0.legend(fontsize=8, loc="center left", bbox_to_anchor=(1.0, 0.5)) ax0.grid(True, alpha=0.3, axis="y") # 右: 件数比較 (絶対値) ax1 = axes[1] x = np.arange(len(T_geo_summary)) ax1.bar(x, T_geo_summary["件数"], color=[GEO_TYPE_COLOR[g] for g in T_geo_summary["地理タイプ"]], edgecolor="white") for i, (n, kp) in enumerate(zip(T_geo_summary["件数"], T_geo_summary["古墳率_%"])): ax1.text(i, n + 30, f"{n:,}\n古墳率 {kp:.0f}%", ha="center", fontsize=9) ax1.set_xticks(x) ax1.set_xticklabels(T_geo_summary["地理タイプ"]) ax1.set_ylabel("件数") ax1.set_title("地理タイプ別 件数 + 古墳率%", fontsize=12) ax1.grid(True, alpha=0.3, axis="y") plt.tight_layout() plt.savefig(ASSETS / "L84_fig08_geo_type_breakdown.png", dpi=130) plt.close("all") print(f" Fig 8 完成 ({time.time()-t7:.2f}s)", flush=True) print(f" 全 8 図完成 ({time.time()-t7:.2f}s)", flush=True) # ============================================================================= # 8. 仮説検証 # ============================================================================= print("\n[8] 仮説検証", flush=True) t8 = time.time() # H1: 中山間 3 市町の古墳数 / 全古墳数 ≥ 60% top3_cities_kofun = T_city.nlargest(3, "n_kofun") top3_total_kofun = int(top3_cities_kofun["n_kofun"].sum()) mountainous_kofun = int(T_city[T_city["geo_type"] == "中山間"]["n_kofun"].sum()) mountainous_pct = mountainous_kofun / N_KOFUN * 100 h1_ok = mountainous_pct >= 60.0 # H2: 円墳 ≥ 50% かつ 前方後円 < 2% h2_enpun_pct = n_enpun / N_KOFUN * 100 h2_zenpo_pct = n_zenpo / N_KOFUN * 100 h2_ok = (h2_enpun_pct >= 50) and (h2_zenpo_pct < 2) # H3: 各種別で時代 top 1 が 80% 以上 H3_groups = T_era_conc[T_era_conc["n"] >= 5] # データが少ない群は判定除外 h3_n_passed = int((H3_groups["top_pct"] >= 80).sum()) h3_n_total = len(H3_groups) h3_ok = h3_n_passed >= h3_n_total - 1 # 1 群を除き 80% 達成 # H4: 古墳の横穴式石室 言及率 ≥ 40% h4_pct = n_yokoana_seki / N_KOFUN * 100 h4_ok = h4_pct >= 40.0 # H5: 沿岸 古墳率 < 内陸 古墳率 で差が ≥ 10pt coast_kofun_pct = (sites[(sites["group"] == "古墳") & (sites["geo_type"] == "沿岸")].shape[0] / max(sites[sites["geo_type"] == "沿岸"].shape[0], 1) * 100) inland_types = ["中山間"] inland_total = sites[sites["geo_type"].isin(inland_types)].shape[0] inland_kofun = sites[(sites["group"] == "古墳") & (sites["geo_type"].isin(inland_types))].shape[0] inland_kofun_pct = inland_kofun / max(inland_total, 1) * 100 h5_diff = inland_kofun_pct - coast_kofun_pct h5_ok = (coast_kofun_pct < inland_kofun_pct) and (h5_diff >= 10) T_hyp = pd.DataFrame([ {"#": "H1", "仮説": "中山間古墳偏在 ≥ 60%", "結果": f"中山間古墳率 = {mountainous_pct:.1f}%", "判定": "支持" if h1_ok else "反証"}, {"#": "H2", "仮説": "円墳 ≥50% かつ 前方後円 <2%", "結果": f"円墳 {h2_enpun_pct:.1f}% / 前方後円 {h2_zenpo_pct:.2f}%", "判定": "支持" if h2_ok else "部分支持"}, {"#": "H3", "仮説": "各種別で時代 top1 ≥80%", "結果": f"対象 {h3_n_total} 群中 {h3_n_passed} 群で達成", "判定": "支持" if h3_ok else "部分支持"}, {"#": "H4", "仮説": "古墳横穴式石室言及率 ≥40%", "結果": f"言及率 = {h4_pct:.1f}%", "判定": "支持" if h4_ok else "反証"}, {"#": "H5", "仮説": "沿岸古墳率 < 内陸古墳率 で 10pt 差", "結果": f"沿岸 {coast_kofun_pct:.1f}% vs 中山間 {inland_kofun_pct:.1f}% " f"(差 {h5_diff:+.1f}pt)", "判定": "支持" if h5_ok else "反証"}, ]) T_hyp.to_csv(ASSETS / "L84_hypothesis.csv", index=False, encoding="utf-8-sig") print(" 仮説検証:") for _, r in T_hyp.iterrows(): print(f" {r['#']}: {r['判定']} | {r['結果']}", flush=True) print(f" ({time.time()-t8:.2f}s)", flush=True) # ============================================================================= # 9. HTML 生成 # ============================================================================= print("\n[9] HTML 生成", flush=True) t9 = time.time() def df_to_html_table(df, max_rows=None, classes=""): if max_rows and len(df) > max_rows: df = df.head(max_rows) return df.to_html(index=False, classes=classes, escape=False, border=0) # データセット表 HTML 生成 def build_dataset_table(): rows = [] for dsid, rid, slug, label, group in DATASETS: n = int(load_log_df.loc[load_log_df["dataset_id"] == dsid, "n_records"].iloc[0]) ng = int(load_log_df.loc[load_log_df["dataset_id"] == dsid, "n_geo"].iloc[0]) kb = float(load_log_df.loc[load_log_df["dataset_id"] == dsid, "file_kb"].iloc[0]) ds_url = f"https://hiroshima-dobox.jp/datasets/{dsid}" dl_url = f"https://hiroshima-dobox.jp/resource_download/{rid}" rows.append( f"埋蔵文化財包蔵地一覧表（{escape(label)}）" f"DoBoX #{dsid}" f"直DL" f"data/extras/L84_archaeological_sites/maizo_{dsid}_{slug}.csv" f"CSV (utf-8-sig)" f"{kb:.1f} KB / {n:,} 件 (緯度経度 {ng:,})" ) return ("" "" + "".join(rows) + "
シリーズデータセットDL保存先形式サイズ
") sections = [] # === 1. 学習目標と問い === intro_html = f"""

本記事は DoBoX のオープンデータ 「埋蔵文化財包蔵地一覧表」シリーズ 11 dataset_id (1660〜1670) を全件統合し、 広島県内 22 市町に分布する {N_TOTAL:,} 件の埋蔵文化財包蔵地を 1 つの研究記事として 深掘りする。 種別 (古墳・城館・官衙・社寺・貝塚 等) × 時代 (縄文〜近代) × 市町 × 古墳形態 (円墳/方墳/前方後円) × 出土物 (横穴式石室/須恵器/鉄製品) の 5 軸から、 広島県の古代-中世-近世の地理構造を量化する。

独自用語の定義 (この記事だけで使う)

研究の問い (RQ)

広島県内 22 市町の埋蔵文化財包蔵地は、 種別・時代・地理特性で どのような構造を持ち、 何が広島県の古代-中世-近世の地理を規定したか?

仮説 (5)

到達点

L4 との重複回避: L4 は同シリーズの 1663 (都城・官衙跡 13件) と 1669 (その他 198件) を河川浸水想定区域とのオーバレイ判定で扱った。 L84 は 11 件全件を統合し、 埋蔵文化財自体の地理構造を分析する。 L4 が「ハザード × 立地」 の交差視点であったのに対し、 L84 は埋蔵 文化財そのものの種別・時代・古墳形態・出土物を主軸とする。 浸水軸は 扱わない。 重複ゼロを徹底。
""" sections.append(("学習目標と問い", intro_html)) # === 2. 使用データ === data_table_html = build_dataset_table() data_html = f"""

DoBoX のシリーズ「埋蔵文化財包蔵地一覧表」 は11 dataset_id (1660-1670) からなる。 すべて 13 列の同一スキーマで提供されており、 1 つの DataFrame に縦結合可能。 本記事は11 件全件を統合する (L4 が部分扱いの 2 件 (1663 + 1669) と被爆樹木 1 件で 300 件を扱った のに対し、 本記事は 11 件全件 {N_TOTAL:,} 件を対象)。

{data_table_html}

データ仕様 (11 シリーズ共通スキーマ)

列名型備考
番号int遺跡通番 (シリーズ内一意)
名称str遺跡名 (例: 新宮第1号古墳)
種別str古墳/円墳/館跡/官衙跡/集落跡/社寺/窯跡/砂留 等
時代str縄文/弥生/古墳/古代/中世/近世/近代 等 (混在ありで正規化が必要)
市町名str22 市町 (広島県の 23 市町中、 神石高原町・大崎上島町なども含む)
所在地str地番・字レベルの所在地
緯度float10 進度 (5-8 桁精度)
経度float10 進度
概要str (free)遺跡の形態・規模・出土物を記述 (例: 「径7mの円墳，横穴式石室，須恵器」) — keyword mining 対象
備考str (free)調査履歴・指定状況など
全国遺跡地図広島県（昭和57年文化庁発行）str 1982 年文化庁刊行の全国遺跡地図参照番号 (古い記載)
広島県遺跡地図の地図番号int 県の遺跡地図参照番号
関連URLstr多くは空

11 シリーズの件数構造 (load log)

{df_to_html_table(load_log_df)}

この表から読み取れること

重要なデータ理解: 本データは「DoBoX 公開分」のみであり、 広島県内の埋蔵文化財包蔵地の実総数 (数千件以上と推定) からは限定的。 特に貝塚・社寺・生産遺跡・水中遺跡シリーズは件数極小で、 県内の 実分布を代表しているとは言い難い。 本記事の主要分析対象は古墳 ({N_KOFUN:,} 件) + その他 (198 件) = 主要 9 割とする。 統計的 分析は古墳に集中する。
""" sections.append(("使用データ", data_html)) # === 3. ダウンロード === dl_buttons = [] dl_buttons.append( '▶ #1660 古墳・横穴 ({:,} 件)'.format( int(load_log_df.loc[load_log_df["dataset_id"] == 1660, "n_records"].iloc[0]))) for dsid, _rid, _slug, label, _grp in DATASETS: if dsid == 1660: continue n = int(load_log_df.loc[load_log_df["dataset_id"] == dsid, "n_records"].iloc[0]) dl_buttons.append( f'#{dsid} {escape(label)} ({n:,})' ) dl_html = f"""

DoBoX へのリンク (元データセット 11 件)

下記ボタンから DoBoX の各データセットページに移動し、 そこから CSV を ダウンロードできる。 すべて utf-8-sig (BOM 付き UTF-8) の CSV、 ライセンスは CC-BY (商用・非商用とも可)。

{"".join(dl_buttons)}

本記事が生成した中間データ・図 (再現用)

図 (8 枚)

再現スクリプト

""" sections.append(("ダウンロード", dl_html)) # === 4. 分析 1: 11 シリーズ統合と派生指標 === ana1_intro = """

狙い

11 dataset_id (1660-1670) を 1 つの DataFrame に縦結合する。 各シリーズは 13 列の同一スキーマだが、 種別・時代の値はシリーズ独立に命名されて おり、 統合後に正規化が必要。 本分析では (1) 統合読込、 (2) 種別 group 列の 追加、 (3) 時代の正規化、 (4) 古墳の概要 free text からのkeyword mining (円墳/方墳/前方後円/横穴式石室/須恵器/古墳径) を実装する。

手法 (リテラシレベル解説)

""".replace("{n_total}", f"{N_TOTAL:,}") ana1_code = ''' # 11 CSV を読込・縦結合 DATASETS = [ (1660, 177383, "kofun", "古墳・横穴", "古墳"), (1661, 177384, "kaizuka", "貝塚", "貝塚"), (1662, 177385, "shuraku", "集落跡・散布地", "集落"), (1663, 177386, "tojo", "都城・官衙跡", "官衙"), (1664, 177387, "jokan", "城館跡", "城館"), (1665, 177388, "shaji", "社寺跡", "社寺"), (1666, 177389, "seisan", "生産遺跡", "生産"), (1667, 177390, "funbo", "その他の墳墓", "墳墓"), (1668, 177391, "kindai", "近代以降の単独遺跡", "近代"), (1669, 177392, "sonota", "その他", "その他"), (1670, 177393, "suichu", "水中遺跡", "水中"), ] frames = [] for dsid, rid, slug, label, group in DATASETS: p = DATA_DIR / f"maizo_{dsid}_{slug}.csv" df = pd.read_csv(p, encoding="utf-8-sig").dropna(subset=["名称"]) df = df.rename(columns={"名称": "name", "種別": "type_raw", "時代": "era_raw", "市町名": "muni", "所在地": "addr", "緯度": "lat", "経度": "lon", "概要": "desc", "備考": "remark"}) df["dataset_id"] = dsid df["series"] = label df["group"] = group frames.append(df) sites = pd.concat(frames, ignore_index=True) # 派生指標 1: 古墳形態 keyword combo = sites["desc"].fillna("") + " " + sites["remark"].fillna("") sites["form_enpun"] = combo.str.contains("円墳").astype(int) sites["form_hofun"] = combo.str.contains("方墳").astype(int) sites["form_zenpo"] = combo.str.contains("前方後円").astype(int) # 派生指標 2: 出土物 keyword sites["k_yokoana_seki"] = combo.str.contains("横穴式石室").astype(int) sites["k_tateana_seki"] = combo.str.contains("竪穴|竪穴式").astype(int) sites["k_sueki"] = combo.str.contains("須恵器").astype(int) sites["k_hajiki"] = combo.str.contains("土師器").astype(int) sites["k_tetsu"] = combo.str.contains("鉄鏃|鉄製品|鉄刀|鉄剣|刀子").astype(int) # 派生指標 3: 古墳径 (正規表現抽出) import re diam_match = combo.str.extract(r"径\\s*([\\d\\.]+)\\s*m") sites["diameter_m"] = pd.to_numeric(diam_match[0], errors="coerce") # 派生指標 4: 時代の正規化 (例) def normalize_era(s): if pd.isna(s): return "不明" s = str(s) if "古墳" in s or "古噴" in s: return "古墳" if "中世" in s or "鎌倉" in s or "室町" in s: return "中世" if "近世" in s or "江戸" in s: return "近世" # ... (略) return "その他" sites["era_norm"] = sites["era_raw"].apply(normalize_era) ''' ana1_io = """

入出力の Before/After 具体例 (要件 K)

1 件の遺跡 (新宮第1号古墳) が 11 シリーズ統合パイプラインの中で どう変換されるかを段階別に追跡する。

""" + df_to_html_table(T_track) + """

この表から読み取れること:

""" ana1_table = f"""

シリーズ別集計

{df_to_html_table(T_series)}

この表から読み取れること:

""" ana1_html = (ana1_intro + code(ana1_code) + ana1_io + ana1_table) sections.append(("分析 1: 11 シリーズ統合と派生指標 (keyword mining)", ana1_html)) # === 5. 分析 2: 県全域分布 + 市町別集計 === ana2_intro = """

狙い

緯度経度から geopandas の GeoDataFrame を作り、 EPSG:4326 (WGS84) → EPSG:6671 (JGD2011 平面直角第 III 系, m 単位) に再投影。 県全域に {n_geo:,} 点を主題図として配置し、 種別ごとの色分けで地理パターンを 描く (Fig 1)。 さらに市町別件数ランキング + 単位面積あたり密度の散布図で H1 (中山間古墳偏在仮説) を検証する (Fig 2)。

手法 (リテラシレベル解説)

""".format( n_geo=N_GEO, N_KOFUN_HIROSHIMA=int(T_city.loc[T_city["muni"] == "広島市", "n"].iloc[0]) if "広島市" in T_city["muni"].values else 0, hiro_density=float(T_city.loc[T_city["muni"] == "広島市", "density_per_km2"].iloc[0]) if "広島市" in T_city["muni"].values else 0.0, n_higashihiro=int(T_city.loc[T_city["muni"] == "東広島市", "n"].iloc[0]) if "東広島市" in T_city["muni"].values else 0, hh_density=float(T_city.loc[T_city["muni"] == "東広島市", "density_per_km2"].iloc[0]) if "東広島市" in T_city["muni"].values else 0.0, ) ana2_code = ''' # Step 1: GeoDataFrame 化 (緯度経度 → Point) geo = sites.dropna(subset=["lat", "lon"]).copy() gdf_sites = gpd.GeoDataFrame( geo, geometry=[Point(lon, lat) for lon, lat in zip(geo["lon"], geo["lat"])], crs="EPSG:4326", ).to_crs("EPSG:6671") # Step 2: L15 admin cache 読込 (22 市町) admin_frames = [] for cname, dsid in ADMIN_MAP: z = ADMIN_DIR / f"admin_{dsid}_{cname}.zip" if z.exists(): g = load_admin_zip(z) g["city"] = cname admin_frames.append(g) admin_diss = (gpd.GeoDataFrame(pd.concat(admin_frames), crs="EPSG:4326") .to_crs("EPSG:6671") .dissolve(by="city", as_index=False)) # Step 3: 市町別集計 + 密度 T_city = (sites.groupby("muni") .agg(n=("site_id", "size"), n_kofun=("is_kofun", "sum")) .reset_index() .sort_values("n", ascending=False)) T_city["area_km2"] = T_city["muni"].map(lambda c: CITY_REF.get(c, (np.nan,))[0]) T_city["density_per_km2"] = T_city["n"] / T_city["area_km2"] ''' ana2_fig1 = f"""

図 1: 県全域 主題図 (種別色分け)

なぜこの図か: {N_GEO:,} 点を 1 枚に配置し、 11 シリーズ (古墳・ 城館・官衙 etc) の地理的偏りを一望するため。 古墳は赤・大量で薄く、 その他種別はカラフル・少数で濃く描き、 「古墳が県全域を覆い、 城館や官衙が 特定地点に集中する」 二層構造を視覚化する。

{figure("assets/L84_fig01_overview.png", "図1: 県全域 埋蔵文化財 全 2,653 件")}

この図から読み取れること:

""" ana2_fig2 = f"""

図 2: 市町別ランキング + 面積 vs 件数 散布図

なぜこの図か: 件数だけのランキングでは「広島市は人口 119 万人 だから多い」 のような規模効果が交絡する。 単位面積あたり密度を 散布図で可視化することで、 中山間市の真の集積度を見る。

{figure("assets/L84_fig02_city_ranking.png", "図2: 市町別ランキング (左) と面積×件数散布図 (右)")}

表 5-1: 市町別集計 (件数 top 15)

{df_to_html_table(T_city.head(15)[ ["muni", "n", "n_kofun", "kofun_pct", "area_km2", "density_per_km2", "geo_type"] ].rename(columns={"muni":"市町","n":"件数","n_kofun":"古墳数", "kofun_pct":"古墳率%","area_km2":"面積km²", "density_per_km2":"密度/km²","geo_type":"地理タイプ"}))}

この図と表から読み取れること:

""" ana2_html = (ana2_intro + code(ana2_code) + ana2_fig1 + ana2_fig2) sections.append(("分析 2: 県全域分布と市町別集計", ana2_html)) # === 6. 分析 3: 時代×種別ヒートマップ (H3 検証) === ana3_intro = """

狙い

11 シリーズ × 9 時代区分のクロス集計表を作り、 ヒートマップで 可視化する。 「古墳シリーズは古墳時代に集中、 城館跡は中世に集中、 その他は近世が多い」 のような種別×時代の対応関係を一望し、 H3 (各種別で時代 top 1 が 80% 以上) を検証する。

手法 (リテラシレベル解説)

""" ana3_code = ''' # 時代×種別 クロス集計 T_era_series = (sites.groupby(["era_norm", "group"]).size() .unstack(fill_value=0)) # 種別ごとの時代集中度 era_concentration = [] for grp, sub in sites.groupby("group"): vc = sub["era_norm"].value_counts() if len(vc) > 0: top_era, top_n = vc.index[0], vc.iloc[0] era_concentration.append({ "group": grp, "n": len(sub), "top_era": top_era, "top_n": int(top_n), "top_pct": round(top_n / len(sub) * 100, 1) }) T_era_conc = pd.DataFrame(era_concentration) # H3 検証 (件数 5+ の群のみ対象) H3_groups = T_era_conc[T_era_conc["n"] >= 5] h3_n_passed = (H3_groups["top_pct"] >= 80).sum() ''' ana3_fig = f"""

図 3: 時代×種別 ヒートマップ

なぜこの図か: 11 シリーズ × 9 時代の同時情報を表だけで読み取るのは 困難。 ヒートマップ + セル内数値で「どの種別がどの時代に集中するか」を 1 枚で示せる。 数値も併記することで、 読み取り精度も担保する。

{figure("assets/L84_fig03_era_series_heatmap.png", "図3: 時代×シリーズ ヒートマップ")}

表 6-1: 種別ごとの時代集中度

{df_to_html_table(T_era_conc.rename(columns={ "group":"種別","n":"件数","top_era":"top時代", "top_n":"top件数","top_pct":"top占有率%"}))}

この図と表から読み取れること:

""" ana3_html = (ana3_intro + code(ana3_code) + ana3_fig) sections.append(("分析 3: 時代×種別ヒートマップ (H3 検証)", ana3_html)) # === 7. 分析 4: 古墳形態 + 古墳径 + 出土物 (H2, H4 検証) === ana4_intro = f"""

狙い

古墳 ({N_KOFUN:,} 件) の概要 free text を keyword mining し、 (1) 形態 (円墳/方墳/前方後円)、 (2) 径 (m)、 (3) 出土物 (横穴式石室・ 須恵器・鉄製品) の 3 軸で構造化する。 古墳形態の地図 (Fig 4)、 径ヒストグラム + 出土物棒 (Fig 5) で視覚化し、 H2 (円墳 ≥ 50% かつ 前方後円 < 2%) と H4 (横穴式石室言及率 ≥ 40%) を検証する。

手法 (リテラシレベル解説)

keyword mining の限界: 概要欄が空 (NaN) の古墳は判定不能。 本データでは概要記載率は約 70% (備考込み) で、 残り 30% の古墳は 「形態不明」 として集計から外れる。 言及率 ≠ 真の形態占有率である点に 注意。 ただし、 言及率は下限値として「少なくとも N% は円墳」 と解釈できる。
""" ana4_code = ''' # Step 1: keyword フラグ化 (古墳のみ) kofun = sites[sites["group"] == "古墳"].copy() combo = kofun["desc"].fillna("") + " " + kofun["remark"].fillna("") kofun["form_enpun"] = combo.str.contains("円墳").astype(int) kofun["form_hofun"] = combo.str.contains("方墳").astype(int) kofun["form_zenpo"] = combo.str.contains("前方後円").astype(int) kofun["k_yokoana_seki"] = combo.str.contains("横穴式石室").astype(int) kofun["k_tateana_seki"] = combo.str.contains("竪穴|竪穴式").astype(int) kofun["k_sueki"] = combo.str.contains("須恵器").astype(int) kofun["k_tetsu"] = combo.str.contains("鉄鏃|鉄製品|鉄刀|鉄剣").astype(int) # Step 2: 古墳径 (正規表現抽出) import re diam_match = combo.str.extract(r"径\\s*([\\d\\.]+)\\s*m") kofun["diameter_m"] = pd.to_numeric(diam_match[0], errors="coerce") # Step 3: 形態地図 (3 panel) + 径ヒストグラム + 出土物棒 fig, axes = plt.subplots(1, 3, figsize=(18, 8)) panels = [ ("円墳", kofun[kofun["form_enpun"] == 1], "#cf222e"), ("方墳", kofun[kofun["form_hofun"] == 1], "#0969da"), ("前方後円墳", kofun[kofun["form_zenpo"] == 1], "#9a6700"), ] for ax_, (label, sub, col) in zip(axes, panels): admin_diss.plot(ax=ax_, facecolor="#f5f5f5", edgecolor="#888", linewidth=0.3) sub.plot(ax=ax_, color=col, markersize=14, alpha=0.7) ax_.set_title(f"{label} (n={len(sub):,})") ''' ana4_fig4 = f"""

図 4: 古墳形態 3 区分の県内分布

なぜこの図か: 古墳 {N_KOFUN:,} 件のうち、 円墳 ({n_enpun:,} 件)・ 方墳 ({n_hofun} 件)・前方後円墳 ({n_zenpo} 件) の地理的差異を 3 panel small multiples で比較。 同一 CRS・同一スケールで並べることで、 分布密度の違いを直感的に把握できる。

{figure("assets/L84_fig04_kofun_forms.png", "図4: 古墳形態 3 区分の県内分布")}

表 7-1: 古墳形態 集計

{df_to_html_table(T_kofun_form)}

この図と表から読み取れること:

""" ana4_fig5 = f"""

図 5: 古墳径ヒストグラム + 出土物 keyword 棒

なぜこの図か: 古墳径の分布で「中小規模古墳が主流」 を量化し、 出土物 keyword 棒で「古墳時代後期 (横穴式石室) が前期-中期 (竪穴式石室) を 圧倒する」 を量化する。 2 図並列でサイズ × 形式 × 副葬品の 3 軸を 1 枚に。

{figure("assets/L84_fig05_kofun_diameter_artifacts.png", "図5: 径ヒスト+出土物棒")}

表 7-2: 古墳径分布統計

{df_to_html_table(T_diam)}

表 7-3: 古墳の出土物・埋葬形式 言及率

{df_to_html_table(T_kofun_artifact)}

この図と表から読み取れること:

""" ana4_html = (ana4_intro + code(ana4_code) + ana4_fig4 + ana4_fig5) sections.append(("分析 4: 古墳形態・径・出土物 (H2, H4 検証)", ana4_html)) # === 8. 分析 5: 市町別 small multiples === ana5_intro = f"""

狙い

件数 top 12 市町の遺跡分布をsmall multiples マップ (3×4 panel) で並列表示。 同一スケール・同一凡例で 12 市町を比較できるため、 「中山間 市は山間に古墳が散在、 沿岸市は限定エリアに集中」 のような地理パターンの 市町間差異が一望できる。

手法 (リテラシレベル解説)

""" ana5_fig = f"""

図 6: 市町別 small multiples (件数上位 12 市町)

なぜこの図か: 件数だけのランキング (図 2) では空間構造が見えない。 small multiples で同一スケール並列することで、 市域内の遺跡集中エリアを 12 市町同時比較できる。

{figure("assets/L84_fig06_city_small_multiples.png", "図6: 市町別 small multiples")}

この図から読み取れること:

""" ana5_html = (ana5_intro + ana5_fig) sections.append(("分析 5: 市町別 small multiples", ana5_html)) # === 9. 分析 6: 横穴式石室 vs 竪穴式石室 地理 === ana6_intro = f"""

狙い

古墳時代後期 (6-7 世紀) の横穴式石室と前期-中期 (3-5 世紀) の 竪穴式石室の県内地理を並列比較。 古墳時代の時間軸を埋葬形式の 分布で表現し、 県内古墳時代の実質的開始時期を地理的に追う。

手法

""" ana6_fig = f"""

図 7: 横穴式石室 vs 竪穴式石室 地理可視化

なぜこの図か: 古墳の埋葬形式は時間軸 (前期 vs 後期) に対応する ため、 地理的分布を比較すれば「古墳時代の県内拡大過程」 が可視化できる。 表だけでは地理性が消える。

{figure("assets/L84_fig07_burial_chambers.png", "図7: 横穴式石室 vs 竪穴式石室")}

この図から読み取れること:

""" ana6_html = (ana6_intro + ana6_fig) sections.append(("分析 6: 横穴式石室 vs 竪穴式石室 地理可視化", ana6_html)) # === 10. 分析 7: 地理タイプ × 種別構成 (H5 検証) === ana7_intro = f"""

狙い

地理タイプ (都市・沿岸・中山間・離島・近郊) × 種別 (古墳・城館・官衙 等) の構成比 (積み上げ棒)と件数+古墳率を並列描画。 H5 (沿岸古墳率 < 中山間古墳率 で 10 ポイント以上の差) を検証する。

手法 (リテラシレベル解説)

""" ana7_code = ''' # 地理タイプ × group クロス → 100% 正規化 → 積み上げ棒 T_geo_group = (sites.groupby(["geo_type", "group"]).size() .unstack(fill_value=0)) T_geo_pct = T_geo_group.div(T_geo_group.sum(axis=1), axis=0) * 100 bottom = np.zeros(len(T_geo_pct)) for grp in T_geo_pct.columns: ax.bar(T_geo_pct.index, T_geo_pct[grp], bottom=bottom, color=GROUP_COLOR[grp], label=grp) bottom += T_geo_pct[grp].values # H5 検証: 沿岸古墳率 vs 中山間古墳率 coast_kofun_pct = (sites[(sites["group"] == "古墳") & (sites["geo_type"] == "沿岸")].shape[0] / max(sites[sites["geo_type"] == "沿岸"].shape[0], 1) * 100) inland_kofun_pct = (sites[(sites["group"] == "古墳") & (sites["geo_type"] == "中山間")].shape[0] / max(sites[sites["geo_type"] == "中山間"].shape[0], 1) * 100) h5_diff = inland_kofun_pct - coast_kofun_pct ''' ana7_fig = f"""

図 8: 地理タイプ × 種別構成 + 件数 + 古墳率%

なぜこの図か: H5 (沿岸 vs 中山間で古墳率に差) を 1 枚で示すため、 構成比 (相対) + 件数 (絶対) を並列描画する。 構成比だけでは沿岸の絶対量が 分からず、 件数だけでは種別構成が分からない。

{figure("assets/L84_fig08_geo_type_breakdown.png", "図8: 地理タイプ別 種別構成と件数")}

表 10-1: 地理タイプ別 集計

{df_to_html_table(T_geo_summary)}

表 10-2: 地理タイプ × 種別 件数クロス

{df_to_html_table(T_geo_group.reset_index())}

この図と表から読み取れること:

""" ana7_html = (ana7_intro + code(ana7_code) + ana7_fig) sections.append(("分析 7: 地理タイプ × 種別構成 (H5 検証)", ana7_html)) # === 11. 仮説検証総合 === hyp_html = f"""

5 仮説の検証結果

{df_to_html_table(T_hyp)}

判定の要点

L4 との重複回避まとめ

{df_to_html_table(T_l4_compare)}

L84 独自の発見 (L4 で扱われていない):

L4 との視点の差: L4 は「文化財が浸水するか」 を sjoinで 判定する記事 (= ハザード×立地)。 L84 は「埋蔵文化財の地理構造そのもの」 を 種別×時代×形態×出土物で記述する記事 (= 文化財自体の構造)。 重複ゼロ。

""" sections.append(("仮説検証と考察", hyp_html)) # === 12. 発展課題 === dev_html = f"""

結果 X → 新仮説 Y → 課題 Z (3 段論理)

発展課題 1: 古墳径と地形 (尾根・丘陵・河川流域) の関係

発展課題 2: 古墳と古道 (山陽道・出雲街道) の関係

発展課題 3: 城館跡の戦略的立地

発展課題 4: 「DoBoX 公開分」 と「実総数」 のギャップ

発展課題 5: 古墳分布と古代行政区画 (備後・安芸・備中)

""" sections.append(("発展課題", dev_html)) # === 13. 再現スクリプト === script_path = Path(__file__).resolve() with open(script_path, "r", encoding="utf-8") as fh: src_text = fh.read() src_html = f"""

本記事のすべての分析を 1 つの Python スクリプトで再現できる。

動作環境: Python 3.10+ / pandas / numpy / matplotlib / geopandas / shapely / pyogrio / pygments / requests。 データは data/extras/L84_archaeological_sites/ + L15 admin cache から 読込。 無ければ ensure_dataset() が DoBoX から自動取得。

cd "2026 DoBoX 教材"
py -X utf8 lessons/L84_archaeological_sites.py

L84_archaeological_sites.py 全文

{code(src_text)} """ sections.append(("再現スクリプト全文", src_html)) # 描画完了 → render_lesson html = render_lesson( num=84, title="L84 埋蔵文化財包蔵地 11 件統合分析", tags=["L84", "埋蔵文化財", "古墳", "城館跡", "官衙跡", "考古学", "11シリーズ統合", "keyword mining", "geopandas"], time="20-30 分", level="リテラシ + 統合構造分析", data_label="DoBoX 11 シリーズ (#1660-1670) 全件統合", sections=sections, script_filename="L84_archaeological_sites.py", ) out_html = LESSONS / "L84_archaeological_sites.html" out_html.write_text(html, encoding="utf-8") print(f" HTML written: {out_html}", flush=True) print(f" ({time.time()-t9:.2f}s)", flush=True) # ============================================================================= # 14. 最終レポート # ============================================================================= total_sec = time.time() - t_all print(f"\n=== 完走 {total_sec:.2f}s ===", flush=True) print(f"統合: {N_TOTAL:,} 件 / 緯度経度 {N_GEO:,} 件 / 古墳 {N_KOFUN:,} 件", flush=True) print(f"H1 (中山間古墳率 ≥60%): {h1_ok} ({mountainous_pct:.1f}%)", flush=True) print(f"H2 (円墳 ≥50%, 前方後円 <2%): {h2_ok} " f"(円墳 {h2_enpun_pct:.1f}%, 前方後円 {h2_zenpo_pct:.2f}%)", flush=True) print(f"H3 (時代 top1 ≥80%): {h3_ok} ({h3_n_passed}/{h3_n_total} 群)", flush=True) print(f"H4 (横穴式石室 ≥40%): {h4_ok} ({h4_pct:.1f}%)", flush=True) print(f"H5 (沿岸<内陸 古墳率, 差 ≥10pt): {h5_ok} " f"(沿岸 {coast_kofun_pct:.1f}% vs 中山間 {inland_kofun_pct:.1f}%, " f"差 {h5_diff:+.1f}pt)", flush=True) print(f"出力: {LESSONS}/L84_archaeological_sites.html", flush=True) print(f" {ASSETS}/L84_*.csv (13 種), L84_*.png (8 枚)", flush=True)