teaming.py

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

# カテゴリカルな属性の値のリスト
genders = ["Male", "Female"]
blood_types = ["A", "B", "O", "AB"]

# メンバーの生成（50人、ランダムな属性）
members = [
    {"name": f"member{i}", 
     "attributes": [random.choice(genders), random.choice(blood_types), random.randint(1, 10)]} 
    for i in range(50)
]

# OneHotEncoderの初期化
encoder = OneHotEncoder(sparse=False, categories=[genders, blood_types])

# カテゴリカルな属性をOne-Hot Encoding
encoded_attributes = encoder.fit_transform([(member["attributes"][0], member["attributes"][1]) for member in members])

# 数値属性と結合
attributes = np.concatenate([encoded_attributes, np.array([[member["attributes"][2]] for member in members])], axis=1)

# 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, random_state=0).fit(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)
  member["cluster"] = label  # メンバーが属するクラスタの情報を追加

# 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']} (Attributes: {', '.join(map(str, member['attributes']))}, Cluster: {member['cluster']})")