2020年センター国語の解答を予想してみる。

前段

「Python 3 エンジニア認定データ分析試験」の勉強をしているので、実際にデータを分析してみようと思いました。
以前にpythonでセンター数学を解くというのをやったので、同じ題材で今回はセンター国語の解答予想にしました。
数学は数字だったり符号、記号だったりと絞りにくいので止めました。
センター試験がマークの間に試してみます。

環境

• python3
• jupyter notebook

事前準備

ネットで集められるだけ過去の解答を集めます。
解答順に並べていますが問によっては2つ選ぶ等あるので、、問の番号と完全に一致しているわけではないです。
また、年によって設問数が異なるので、不足している所は平均値で埋めるとします。
インデックスのaddは追試の意味です。
今回はひとまずカラムごとの最頻値で予想します。

year,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39
2019,3,2,4,3,2,4,2,2,2,4,2,3,1,2,3,5,2,1,4,6,2,4,5,4,5,3,1,2,3,4,2,5,3,5,2,3,,,
2018,2,3,5,5,2,2,5,3,1,4,4,2,5,5,3,1,4,3,3,6,1,3,5,3,2,3,4,4,3,1,3,4,3,3,2,4,,,
2017,5,5,3,1,4,5,4,3,4,3,1,1,2,1,4,5,2,4,4,5,3,3,4,5,2,2,4,1,5,2,2,3,2,4,2,1,,,
2016,3,5,5,3,5,1,2,4,2,1,3,5,3,2,1,4,3,2,1,4,3,5,1,1,4,4,4,3,5,4,1,1,4,4,3,5,,,
2015,5,5,2,4,4,3,2,4,2,3,4,3,5,3,2,3,2,3,1,2,1,5,4,2,1,5,3,3,4,5,5,3,4,4,4,3,4,5,2
2014,2,3,4,2,3,4,2,4,3,2,1,5,4,1,3,4,3,1,4,6,5,1,4,5,3,2,1,4,4,3,5,1,5,3,1,5,,,
2013,1,3,1,1,5,1,5,2,5,3,1,1,5,4,2,4,2,1,2,4,2,4,3,1,5,4,2,5,3,2,1,3,3,2,4,3,5,,
2012,3,2,5,3,5,4,5,1,3,4,1,4,3,,15,1,3,2,3,5,4,,25,2,1,4,3,5,2,1,2,1,4,5,3,4,,,
2011,5,4,2,4,1,5,4,3,1,4,3,4,5,2,4,1,4,5,3,5,2,4,5,1,4,3,5,2,5,4,2,4,3,1,5,1,4,,
2010,3,1,1,2,2,3,5,5,3,4,3,2,4,3,1,1,2,4,3,4,4,3,2,1,3,5,1,5,4,5,5,3,4,1,5,4,,,
2009,1,5,3,1,5,3,3,2,4,3,6,1,3,5,3,5,1,4,4,5,3,1,4,4,3,2,1,5,2,3,1,4,3,5,5,4,,,
2008,4,3,2,1,3,1,2,3,1,3,4,4,4,2,2,5,2,1,2,4,1,3,4,5,2,4,2,3,4,3,4,3,2,3,5,4,2,5,
2007,1,4,5,5,3,2,4,5,3,2,3,5,5,1,4,2,2,2,5,4,3,2,5,1,3,4,1,5,2,5,1,5,3,3,4,3,,,
2006,2,2,2,4,5,1,4,5,3,1,1,3,5,1,4,5,3,2,3,1,4,1,2,1,1,2,4,1,3,4,5,5,2,1,2,,,,
2005_1_2_add,1,2,1,2,4,5,2,4,3,2,5,4,5,2,3,2,1,3,6,2,4,1,5,3,4,4,3,4,1,5,2,3,5,4,,,,,
2005_1_add,4,5,2,1,5,3,1,4,5,1,2,2,5,3,1,2,3,4,1,5,2,2,1,2,5,3,3,4,2,5,5,1,2,4,,,,,
2005_1_2,5,1,3,4,4,4,3,3,2,4,4,2,5,4,1,3,2,4,4,5,3,1,2,5,3,1,4,1,4,5,5,3,2,2,3,,,,
2004_1_2,1,1,4,5,3,1,5,3,2,4,5,2,4,1,5,1,5,4,3,3,4,1,2,4,5,2,3,2,1,5,3,5,2,1,1,6,,,
2004_1_add,5,3,4,2,2,2,1,3,3,4,1,4,2,2,5,1,3,1,6,3,4,1,1,5,5,2,4,4,3,4,2,1,4,5,3,4,,,
2004_1_2_add,5,4,4,5,3,5,2,3,1,4,6,5,4,1,3,4,4,1,2,5,3,2,1,4,3,5,5,3,1,4,5,3,4,4,1,2,1,2,5
2003_1_2,2,5,3,4,1,4,3,5,2,1,3,4,2,5,4,5,3,1,2,2,5,1,5,4,4,3,2,2,4,2,3,3,5,4,1,5,,,
2003_1_2_add,1,5,3,2,4,2,5,4,3,1,6,2,5,3,4,5,1,3,2,4,2,1,5,3,2,3,1,4,4,3,1,2,5,2,3,1,5,,
2003_1_add,5,3,4,1,2,4,3,1,1,3,5,4,3,2,2,4,5,1,3,6,4,4,2,3,4,1,6,5,3,5,1,5,4,3,2,4,7,,
2002_1_add,2,5,1,4,4,4,5,3,1,1,5,1,2,5,2,4,4,3,3,5,2,2,5,3,4,3,1,5,2,5,1,4,4,1,3,,,,
2002_1_2_add,2,1,4,3,5,4,5,1,4,2,6,4,3,3,3,1,5,3,4,1,3,5,5,5,5,2,3,4,3,4,4,2,4,1,3,2,3,,
2001_1_add,3,2,4,4,5,1,3,2,2,5,4,3,1,5,1,2,4,5,5,3,1,2,1,4,5,3,2,4,2,2,4,5,1,3,,,,,
2001_1_2_add,3,1,2,5,4,2,4,4,5,1,3,1,3,2,4,1,5,4,3,4,1,1,3,2,2,3,1,4,2,3,5,3,5,2,2,3,4,,
2000,1,3,5,4,3,3,4,1,5,1,6,2,5,3,4,2,5,3,4,5,5,2,5,1,4,3,2,5,1,3,6,2,4,3,2,1,5,,

プログラム

import pandas as pd
from sklearn.preprocessing import Imputer
df = pd.read_csv(r"C:\source\python\file/center_Japanese.csv", index_col='year')
# 欠損値を列の平均値で埋める
imp = Imputer(strategy='mean', axis=0)
imp.fit(df)
fill_df = pd.DataFrame(imp.transform(df), columns=[num for num in range(1, len(df.columns) + 1)])
fill_df.mode().fillna(0).to_csv(r"C:\source\python\file/output_center_Japanese.csv")

結果

出力した内容は下記の通りです。

,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39
0,1.0,5.0,4.0,4.0,5.0,4.0,5.0,3.0,3.0,4.0,1.0,4.0,5.0,2.0,4.0,1.0,2.0,1.0,3.0,5.0,3.0,1.0,5.0,1.0,4.0,3.0,1.0,4.0,2.0,5.0,5.0,3.0,4.0,3.0,2.0,4.0,4.0,4.0,3.5
1,5.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,3.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,4.0,0.0,0.0,0.0,5.0,0.0,0.0,0.0,3.0,0.0,0.0,0.0,0.0,4.0,3.0,0.0,0.0,0.0,0.0
2,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,4.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0

1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24	25	26	27	28	29	30	31	32	33	34	35	36	37	38	39
1,5	5	4	4	5	4	5	3	3	4	1,3	4	5	2	4	1	2	1	3	5	3,4	1	5	1	4,5	3	1	4	2,3,4	5	5	3	4	3,4	2,3	4	4	4	3.5

39番目だけ平均値が最頻値になってしまったので、いまいちな結果です。
ただ最近は解答数が36前後なので、無視していいと思います。
また、最頻値が複数あるところの絞り方を悩み中です。

感想

私が学生の時は3を選べと言われていましたが、こうして見ると4,5が多いのかな。
統計は勉強中なのでもっといい予想ができたらいいなと。
時間と情報があればほかの科目も試すかもです。
センター試験の結果が出たら比較したい気持ちはあります。