1KB) 学校園社会見学について 新型コロナウイルス感染症予防のため、館内の見学及びご利用については、当面の間、お申込みいただけません。 ご理解とご協力のほど、お願いいたします。 学校園見学申込書(PDF:82. 1KB) 体験教室の団体メニュー利用(5名以上) 新型コロナウイルス感染症予防のため、体験教室は、当面の間、お申込みいただけません。ご理解とご協力のほど、お願いいたします。 下記体験教室申込書は、通常時の申込書であり、新型コロナウイルス終息後までご利用いただけません。 今城塚古代歴史館 体験教室申込書(団体利用)(PDF:68.
「いましろ大王の杜」は今城塚古墳公園と今城塚古代歴史館とをあわせた市民公園です。そのシンボル・今城塚古墳は淀川流域最大級の前方後円墳で、墳丘だけで全長181mあり、その周囲の二重の濠を合わせると総長約350m、総幅約340mもの規模を誇ります。この古墳は6世紀前半につくられた継体天皇(聖徳太子の曾祖父)の墓だといわれていますが、現在は全国でも珍しい古墳公園となり、高槻の人気スポットのひとつになりました。 天皇陵(大王墓)でありながら古墳の中を自由に歩きまわれる公園は"日本でここだけ"。木立に覆われた墳丘にも入ることができ、まわりの芝生広場や堤では、いつも誰かが散歩をしたり、スポーツをしたり、ピクニックをしたり。ゆったり過ごすに"ちょうどいい"憩いの場、遊び場として親しまれています。
1KB) 体験教室の団体メニュー利用(5名以上) 新型コロナウイルス感染症予防のため、体験教室は、当面の間、お申込みいただけません。ご理解とご協力のほど 、お願いいたします。 下記体験教室申込書は、通常時の申込書であり、新型コロナウイルス終息後までご利用いただけません。 今城塚古代歴史館 体験教室申込書(団体利用)(PDF:68. 7KB) 体験教室 今城塚古墳公園に隣接する館内には、三島古墳群の概要をはじめ今城塚古墳の発掘調査で判明した、古墳づくりのさまざまな工夫を実物大のジオラマ模型や映像も用いながら解説しています。 実物の埴輪や豊富な出土品を通じて歴史遺産ネットワークの拠点としてさまざまな情報を発信する、歴史体験と学習の場です。 今城塚古代歴史館 トップページ 高槻市 街にぎわい部 文化財課 今城塚古代歴史館 住所:高槻市郡家新町48-8 地図 電話番号:072-682-0820 ファクス番号:072-682-0930 お問い合わせフォーム( パソコン・スマートフォン用 ) ※内容によっては回答までに日数をいただく場合があります。 PDFファイルを閲覧するには「Adobe Reader(Acrobat Reader)」が必要です。お持ちでない方は、左記のボタンをクリックして、ソフトウェアをダウンロードし、インストールしてください。
お知らせ (令和3年6月18日更新) 今城塚古墳公園をお越しの方にご利用いただいている今城塚古代歴史館の駐車場は、令和3年6月22日(火曜日)からご利用いただけます。 なお、公園内でのグループ利用や、混雑時の利用は、引き続きお控えください。 ご理解とご協力を、お願いいたします。 公園案内 最大の特徴である埴輪祭祀場は、家、人物、動物など200点以上の形象埴輪が整然と並んでいます。大王のハニワ祭が再現されているのは日本でここだけです。ぜひ遊びに来てください!! 1. 墳丘盛土を雨水からまもる工夫 2. 後円部テラスの施設 3. 重い石室を支えた石組 4. 地震で崩れた墳丘 5. 築造当初の姿をのこす南西隅部 6. 儀式の場(北造出) 7. 儀式の場(南造出) 8. 墳丘をとりまく水濠 9. 内濠をかこむ堤 10. 埴輪まつりのステージ 11. 聖域をあらわす垣根 12. 内濠をかこむ堤 13. 今城塚古代歴史館 トピック展「ハニワールドへようこそ」【7月24日~8月31日】/高槻市ホームページ. 水をためない濠 14. 地鎮のまつりと内堤の断面 15. 大王の埴輪まつり 16. 6世紀の大王墓 今城塚古墳 墳丘 内濠 はにわバルコニーと古墳全体模型 はにわのかけ橋 内堤断面展示 埴輪祭祀場 ご利用にあたっての注意 みなさんが気持ちよく利用できるよう、他の人の迷惑となる行為はやめましょう。 ルールとマナーを守って、郷土の貴重な文化財に親しんでください。 古墳公園や施設は、傷つけないように大切に利用してください 古墳公園の草花や樹木を掘り返したり、折ったりしないでください ゴルフ道具や野球バット、釣り道具、スケートボードを持ち込まないでください 近隣の迷惑になりますので、夜間は静かにしてください バイク、自動車を乗り入れないでください。また、自転車は降りて押してください 墳丘と内濠では、犬の散歩を禁止します。(外濠と内堤は、さしつかえありません。犬を散歩させるときは、引き綱(リード)を放さず、フンは持ち帰ってください) 野鳥や猫などに餌をやらないでください ゴミは各自で持ち帰ってください 「いましろ 大王の杜」案内チラシ(PDF:1. 1MB) いましろ 大王の杜 JR摂津富田駅から徒歩での推奨ルート たかつきDAYS(広報たかつき) 「いましろ 大王の杜」関連特集 平成26年9月号 特集「公園で過ごす休日」 今城塚古墳公園特集ページ ダウンロード(PDF:3MB) 平成27年9月号 特集「古墳 LOVE 」 古墳特集ページ ダウンロード(PDF:3.
astype ( int) df3 [ "university graduation"] = df3 [ "university graduation"]. astype ( int) 結果、df3は以下のような感じになります。 2. データの加工 data = df3. copy () #得票数を人口で割って置き換え data. iloc [:, 1: 6] = df3. iloc [:, 1: 6]. values / df3 [ "population"]. values. reshape ( 62, 1) #大卒率のカラムを追加(大卒率=大学卒業数/卒業数) data [ "university graduation rate"] = data [ "university graduation"] / data [ "graduates"] 無事、必要なデータが揃いました。 いよいよ機械学習の出番です。 3. k-means法でクラスタリング sklearnを使います。 from uster import KMeans kmeans = KMeans ( init = 'random', n_clusters = 3, random_state = 1) X = data. values #得票割合 shape=(62, 5) kmeans. fit ( X) y = kmeans. predict ( X) #クラスター番号 #クラスタリングの結果をdataに結合 data = pd. concat ([ data, pd. DataFrame ( y, columns = [ "cluster"])], axis = 1) これで3クラスターに分けられたので、特徴を見てみます。 (ちなみにクラスター数(n_clusters)を変えてもやってみましたが、何となく3つぐらいが良さそうだと思ったので3にしました) 各クラスターを軸にした時のそれぞれのデータの平均を見てみます。 data. 文京区 令和2年7月5日執行東京都知事選挙結果. groupby ( "cluster"). mean () 単なる平均ですが、これだけでも異なる特徴を持った集団に分けられたことが分かります。 クラスターに属する市区町村を地図で塗り分けてみましたが、 0. 山手線内エリアとその周辺 1. 千葉県よりの区と多摩地区、一部島嶼部(御蔵島村・小笠原村) 2.
14%) 【当選】 舛添要一氏 元厚生労働相の舛添氏が、日本弁護士連合会前会長の宇都宮氏、元首相の細川護熙氏らを破り、初当選。舛添氏は自民、公明両党が支援。細川氏は小泉純一郎元首相との元首相コンビで「原発ゼロ」を掲げたが、及ばなかった。
東京都知事選挙速報 当日有権者数 男 女 計 前回 33, 435 33, 861 67, 296 今回 33, 279 33, 776 67, 055 比較 ▲156 ▲85 ▲241 投票速報 投票者数 投票率 正午 6, 040 5, 540 11, 580 18. 06 16. 36 17. 21 4, 930 4, 670 9, 600 14. 81 13. 83 14. 32 ▲1, 110 ▲870 ▲1, 980 ▲3. 25 ▲2. 53 ▲2. 89 午後3時 8, 480 7, 950 16, 430 25. 36 23. 48 24. 41 7, 240 7, 050 14, 290 21. 76 20. 87 21. 31 ▲1, 240 ▲900 ▲2, 140 ▲3. 60 ▲2. 61 ▲3. 10 午後6時 11, 040 10, 660 21, 700 33. 02 31. 48 32. 25 9, 220 9, 190 18, 410 27. 71 27. 21 27. 【都知事選】山本太郎氏が選挙戦振り返る 小池都知事と公開討論実現なら「結果は違った」 | 東スポのニュースに関するニュースを掲載. 46 ▲1, 820 ▲1, 470 ▲3, 290 ▲5. 31 ▲4. 27 ▲4. 79 午後8時 (最終) 19, 372 20, 261 39, 633 57. 94 59. 84 58. 89 17, 415 18, 372 35, 787 52. 33 54. 39 53. 37 ▲1, 957 ▲1, 889 ▲3, 846 ▲5. 61 ▲5. 45 ▲5. 52 開票速報 午後9時から開票作業を開始します。開票速報は、集計でき次第お知らせします。 開票速報(午後10時34分確定) 開票率:100% 届出番号 候補者氏名 党派名 新現前元の別 得票数 1 山本 太郎 れいわ新選組 3, 284 2 小池 ゆりこ 無所属 24, 819 3 七海 ひろこ 幸福実現党 92 4 宇都宮 けんじ 3, 913 5 桜井 誠 日本第一党 823 6 込山 洋 35. 614 ※ 7 小野 たいすけ 1, 831 8 竹本 秀之 9 西本 誠 スーパークレイジー君 60 10 関口 安弘 11 押越 清悦 12 服部 修 ホリエモン新党 16 13 立花 孝志 173 14 さいとう 健一郎 15 ごとう てるき (略称)トランスヒューマニスト党 84 沢 しおん 75 17 市川 ヒロシ 庶民と動物の会 22.
30%)同時刻の前回推定投票率は 32. 39% ・16時…27. 37%(男…27. 78%・女…26. 97%)同時刻の前回推定投票率は 29. 48% ・15時…24. 15%(男…24. 71%・女…23. 61%)同時刻の前回推定投票率は 26. 99% ・14時…20. 57%(男…21. 34%・女…19. 79%)同時刻の前回推定投票率は 24. 40% < 中間投票状況 > ・18時…33. 50%(男)33. 56%(女)33. 44%(前回投票率)36. 48% ・15時…23. 99%(男)21. 34%(女)19. 79%(前回投票率)27. 72% ・12時…14. 66%(男)15. 21%(女)14. 13%(前回投票率)18.
山間部と島嶼部 という内訳でした。 得票率だけでこれだけの(常識的にみてあり得そうな)分類ができたことには驚きました。 4. 線形回帰分析 説明変数Xは大卒の割合、目的変数Yは各候補者の得票率として線形回帰分析を行います。 以下では可視化までセットにした関数を定義しています。 from near_model import LinearRegression colors = [ "blue", "green", "red"] #クラスターの色分け用 def graph_show ( Jpname, name, sp = False, cluster = True, line = True): #Jpname: 候補者の漢字表記 #name: 候補者のローマ字表記(グラフ用) X = data [ "university graduation rate"]. reshape ( - 1, 1) Y = data [ Jpname]. reshape ( - 1, 1) model = LinearRegression () model. fit ( X, Y) print ( "決定係数(相関係数):{}". format ( model. score ( X, Y))) plt. scatter ( X, Y) #特定の自治体をグラフ中で強調(デフォルトはFalse) if sp: markup = data [ data [ "自治体"] == sp] plt. scatter ( markup [ "university graduation rate"], markup [ Jpname], color = "red") #k-meansで求めたクラスターごとに色分け if cluster: for i in range ( 3): data_ = data [ data [ "cluster"] == i] X_ = data_ [ "university graduation rate"]. reshape ( - 1, 1) Y_ = data_ [ Jpname]. reshape ( - 1, 1) plt. scatter ( X_, Y_, color = colors [ i]) #回帰直線を表示 if line: plt. plot ( X, model.