teaming.py

from sklearn.cluster import KMeans
from sklearn.preprocessing import MinMaxScaler
import numpy as np
import random

# メンバーの生成（50人、ランダムな属性）
# カテゴリカルな属性の場合は、https://gist.github.com/kdmsnr/ed71e9dbbf228b3a03cca99183484ac2 を参照する
members = [
    {"name": f"member{i}", "attributes": [random.randint(1, 10), random.randint(1, 10), random.randint(1, 10)]} 
    for i in range(50)
]

# 属性のみを取り出し、numpy配列に変換
attributes = np.array([member["attributes"] for member in members])

# 属性の正規化（0から1の範囲にスケーリング）
scaler = MinMaxScaler()
normalized_attributes = scaler.fit_transform(attributes)

# 重み付け
weights = np.array([2, 1, 1])  # 属性1には重み2を、属性2と属性3には重み1を設定
weighted_attributes = normalized_attributes * weights

# チームの最大メンバー数
max_members_per_team = 5

# メンバーの総数をチームの上限人数で割った数をクラスタの数として設定
n_clusters = len(members) // max_members_per_team

# K-meansクラスタリングを行う
kmeans = KMeans(n_clusters=n_clusters, n_init=10, random_state=0).fit(weighted_attributes)

# 各メンバーがどのクラスタに属するかを取得
labels = kmeans.labels_

# クラスタごとのメンバーリストを作成
clusters = [[] for _ in range(n_clusters)]
for member, label in zip(members, labels):
  clusters[label].append(member)

# 各クラスタから順にメンバーを選び、各チームに割り当てていく
teams = [[] for _ in range(n_clusters)]
team_index = 0
for cluster in clusters:
  for member in cluster:
    # チームのメンバー数が最大メンバー数を超えたら次のチームに進む
    while len(teams[team_index]) >= max_members_per_team:
      team_index = (team_index + 1) % n_clusters
    teams[team_index].append(member)
    team_index = (team_index + 1) % n_clusters

# チームのリストを出力
for i, team in enumerate(teams, 1):
  print(f"Team {i}:")
  for member in team:
    print(f"  {member['name']} ({', '.join(map(str, member['attributes']))})")