# Phase 0で準備
pip install pandas numpy matplotlib seaborn scipy

# Phase 1に向けて準備
pip install dowhy causalml econml statsmodels

# Phase 0 環境確認
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
print("✅ 基本ライブラリ OK")

# 因果推論ライブラリ
try:
    import dowhy
    import causalml
    print("✅ 因果推論ライブラリ OK")
except:
    print("⚠️ pip install dowhy causalml を実行してください")

# アイスクリーム売上と溺死者数の相関（交絡因子: 気温）
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

np.random.seed(42)
n = 100
# 気温（交絡因子）
temperature = np.random.uniform(15, 35, n)
# 気温が高いとアイスが売れる
ice_cream_sales = 10 + 2 * temperature + np.random.normal(0, 5, n)
# 気温が高いと水遊びが増え溺死も増える
drownings = 0.1 * temperature + np.random.normal(0, 0.5, n)

df = pd.DataFrame({
    'temperature': temperature,
    'ice_cream': ice_cream_sales,
    'drownings': drownings})

# 相関を確認
print(f"アイスと溺死の相関: {df['ice_cream'].corr(df['drownings']):.3f}")
print("→ 相関があるが、因果ではない！（交絡因子: 気温）")

# 可視化
plt.scatter(df['ice_cream'], df['drownings'], alpha=0.6)
plt.xlabel('アイスクリーム売上')
plt.ylabel('溺死者数')
plt.title('相関≠因果の例')
plt.show()

# WEBマーケティング実務用サンプルデータ生成
np.random.seed(42)
n = 200
areas = np.random.choice(['渋谷', '新宿', '品川'], n)
property_type = np.random.choice(['オフィス', 'コワーキング'], n)
size = np.random.uniform(20, 200, n)
rent = 50 + 0.5 * size + np.random.normal(0, 10, n)
inquiries = np.random.poisson(10, n)

office_data = pd.DataFrame({
    'area': areas,
    'property_type': property_type,
    'size_m2': size,
    'rent_10k_yen': rent,
    'inquiries': inquiries})

print(office_data.head())
print(f"\nデータ形状: {office_data.shape}")

# 単純なA/Bテストシミュレーション
import scipy.stats as stats
np.random.seed(42)

# コントロール群（現在のLP）
control = np.random.binomial(1, 0.10, 1000)  # CVR 10%
# 処置群（新しいLP）
treatment = np.random.binomial(1, 0.12, 1000)  # CVR 12%

print(f"コントロール群 CVR: {control.mean():.2%}")
print(f"処置群 CVR: {treatment.mean():.2%}")
print(f"差分: {(treatment.mean() - control.mean()):.2%}")
# 統計的有意差はPhase 1で確認

# 不動産仲介データ分析の基礎
grouped = office_data.groupby('area').agg({
    'rent_10k_yen': ['mean', 'std'],
    'inquiries': 'sum'})
print("エリア別集計:")
print(grouped)

# ピボットテーブル
pivot = office_data.pivot_table(
    values='inquiries',
    index='area',
    columns='property_type',
    aggfunc='sum')
print("\nピボットテーブル:")
print(pivot)