| English | 日本語 |
この文書は 英語版 の訳です。内容が食い違うときは英語版が正です。
JavaScript とブラウザで使える、R と互換の統計関数のライブラリです。TypeScript で書いています。 ブラウザで試す (すべての関数を、R が出す値と並べて試せます)。
pt(q, df, { lowerTail: false }) は R の pt(q, df, lower.tail = FALSE) に
当たります。結果は素のオブジェクトなので、そのまま JSON.stringify できます。pnorm だけなら gzip で 1.6 KB)。状態: 1.3.0。 R の stats パッケージの数値計算の中心 (分布・記述統計・検定・線形モデル・特殊関数・数値計算・線形代数の基本) を、R と同じ結果でカバーすることを目指しています。残っている作業は ROADMAP.ja.md、変更履歴は CHANGELOG.md (英語) にあります。
npm install @numero-uno-jpn/rstats
ES2022 の環境が必要です (現行のブラウザ、Node.js 22 以降、Deno、Bun)。
import { pnorm, qnorm, pt, qbeta, dbinom } from "@numero-uno-jpn/rstats";
pnorm(1.96); // ≈ 0.9750021049
qnorm([0.025, 0.975]); // ≈ [-1.959963985, 1.959963985]
pt(-40, 3); // ≈ 1.719034039e-5
pt(2, 10, { lowerTail: false, logP: true }); // ≈ -3.305141551 (上側確率の対数)
qbeta(1e-10, 2, 3); // ≈ 4.082494016e-6
dbinom(3, 10, 0.2); // ≈ 0.201326592
最初の引数には数値・配列・Float64Array を渡せます。結果は同じ形で返ります。分布の母数はスカラーです。
set.seed() と同じ乱数import { setSeed, rnorm, RNGkind, getRandomSeed, setRandomSeed, nextRNGStream, runif } from "@numero-uno-jpn/rstats";
setSeed(42);
rnorm(3); // [1.3709584471466685, -0.5646981713960887, 0.3631284113373392]
// R の set.seed(42); rnorm(3) と最後のビットまで同じ
// R の既定以外の設定: RNGkind("L'Ecuyer-CMRG") と parallel::nextRNGStream、sample.kind = "Rounding"
RNGkind({ kind: "L'Ecuyer-CMRG" });
setSeed(1); // R: set.seed(1, kind = "L'Ecuyer-CMRG")
setRandomSeed(nextRNGStream(getRandomSeed())); // R: .Random.seed <- nextRNGStream(.Random.seed)
runif(2); // [0.31369782407981056, 0.9280126525616814]
R で set.seed(42); rnorm(3) とすると、最後のビットまで同じ数値になります。
import { tTest, fisherTest, pAdjust } from "@numero-uno-jpn/rstats";
const r = tTest([5.1, 4.9, 6.2, 5.8, 6.0, 5.5], [4.1, 4.5, 5.0, 4.8, 4.3]);
r.pValue; // ≈ 0.003536530888 (R の既定と同じ Welch の検定)
r.confInt; // ≈ [0.4423253335, 1.644341333]
r.method; // "Welch Two Sample t-test"
fisherTest([[3, 1], [1, 3]]).pValue; // ≈ 0.4857142857
pAdjust([0.01, 0.02, 0.03, 0.04], { method: "BH" }); // ≈ [0.04, 0.04, 0.04, 0.04]
tTest の既定は、R と同じ Welch の検定です。
説明変数は lm と同じく行列 (行の配列) かベクトルで渡します。二項分布の応答は (成功数, 失敗数) の行でも渡せます。
import { glm, glmSummary, glmPredict, glmConfint, glmAnova } from "@numero-uno-jpn/rstats";
const dose = [1, 2, 3, 4, 5, 6];
const counts = [[1, 19], [4, 16], [9, 11], [13, 7], [18, 2], [19, 1]];
const fit = glm(dose, counts, { family: "binomial" }); // R: glm(cbind(s, f) ~ dose, binomial)
fit.coefficients; // ≈ [-3.77413, 1.14807]
glmSummary(fit).pValue; // ≈ [5.357e-8, 3.579e-9] (z 検定)
glmPredict(fit, { newdata: [3.5], type: "response" }); // { fit: ≈ [0.56073], seFit: ≈ [0.06140] }
glmConfint(fit).lower; // ≈ [-5.27166, 0.80033] (プロファイル尤度)
glmAnova(fit).table[1]; // ≈ [1, 62.978, 4, 0.5196, 2.09e-15]
fit.warnings; // [] (収束しないなどの R の警告)
頑健な共分散 (sandwich の vcovHC と vcovCL) は、lmtest の coeftest と coefci に渡せます。修正ポアソン回帰
(0/1 の結果のポアソン glm) では、リスク比と頑健な信頼区間が得られます。
import { glm, vcovHC, coefci } from "@numero-uno-jpn/rstats";
const exposed = [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0];
const event = [1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0];
const fit = glm(exposed, event, { family: "poisson" }); // R: glm(event ~ exposed, family = poisson)
fit.coefficients.map(Math.exp); // ≈ [0.3, 2] (非曝露のリスク 0.3、リスク比 2)
const ci = coefci(fit, { vcov: vcovHC(fit, { type: "HC0" }) });
// R: lmtest::coefci(fit, vcov. = sandwich::vcovHC(fit, type = "HC0"))
ci.lower.map(Math.exp); // ≈ [0.11640, 0.68361]
ci.upper.map(Math.exp); // ≈ [0.77320, 5.8513]
lm と aov は、R の formula とデータフレーム (列のオブジェクト。文字列の列は因子) でも呼べます。anova は R の
逐次の表、Anova は car の Type II と III の検定、aovEz は afex の反復測定の分散分析 (Greenhouse-Geisser の補正と
一般化 η² つき) です。
import { lm, anova, Anova, aovEz } from "@numero-uno-jpn/rstats";
const d = { y: [12.1, 14.3, 13.8, 17.2, 19.5, 22.4, 11.6, 13.9, 15.7, 18.8, 21.1, 25.3],
A: ["a", "a", "b", "b", "c", "c", "a", "a", "b", "b", "c", "c"],
B: ["p", "q", "p", "q", "p", "q", "p", "q", "p", "q", "p", "q"] };
const fit = lm("y ~ A * B", d, { contrasts: { A: "contr.sum", B: "contr.sum" } });
anova(fit).rowNames; // ["A", "B", "A:B", "Residuals"]
anova(fit).table[0]; // ≈ [2, 169.147, 84.573, 57.828, 0.00011997] (Df, Sum Sq, Mean Sq, F, p)
Anova(fit, { type: 3 }).table[1]; // ≈ [169.147, 2, 57.828, 0.00011997] (car::Anova(fit, type = 3))
// 反復測定 (R: afex::aov_ez("id", "y", long, within = "W"))
const long = { id: ["s1", "s1", "s1", "s2", "s2", "s2", "s3", "s3", "s3", "s4", "s4", "s4", "s5", "s5", "s5"],
W: ["pre", "mid", "post", "pre", "mid", "post", "pre", "mid", "post", "pre", "mid", "post", "pre", "mid", "post"],
y: [5.1, 6.3, 7.2, 4.8, 5.9, 7.5, 6.0, 6.1, 8.3, 5.5, 6.8, 7.1, 4.9, 6.6, 7.8] };
aovEz(long, { id: "id", dv: "y", within: "W" }).anova.table[0];
// ≈ [1.735, 6.940, 0.21653, 35.876, 0.84607, 0.00026363] (num Df, den Df, MSE, F, ges, p。GG で補正)
lmer は、lme4 の線形混合モデルを REML または最尤法で当てはめます。独立した分野
@numero-uno-jpn/rstats/mixed (CDN では dist/mixed.js) にあり、1 ファイルにまとめたビルドには含めていません。
import { lmer, lmerSummary, lmerAnova } from "@numero-uno-jpn/rstats/mixed";
const d = { subj: ["s1", "s2", "s3", "s4", "s5", "s6"].flatMap((s) => [s, s, s, s]),
day: [0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3],
rt: [251, 262, 280, 293, 230, 251, 265, 282, 270, 275, 290, 318,
242, 263, 270, 296, 260, 284, 309, 330, 238, 245, 262, 268] };
const fit = lmer("rt ~ day + (day | subj)", d); // R: lme4::lmer(rt ~ day + (day | subj), d)
fit.fixef; // [247.65, 16.4]
fit.coefTable.stdError; // ≈ [5.3177, 1.7104]
fit.varCorr[0].sd; // ≈ [12.485, 3.6894] (subj の切片と傾き。VarCorr)
fit.varCorr[0].corr[0][1]; // ≈ 0.6737
fit.sigma; // ≈ 4.4385
fit.ranef[0].values[1]; // ≈ [-13.118, -1.0038] (s2 の ranef)
fit.REMLcrit; // ≈ 158.563
// lmerTest の検定 (Satterthwaite の自由度)
const s = lmerSummary(fit); // R: summary(lmerTest::lmer(rt ~ day + (day | subj), d))
s.df; // ≈ [5, 5]
s.pValue; // ≈ [8.6215e-8, 0.00020903]
lmerAnova(fit).F; // ≈ [91.942] (Type III。R: anova(fit))
推定値は REML 基準の厳密な最適点です。lme4 の最適化はその手前で止まるので、分散成分は lme4 と
有効数字 5〜9 桁程度まで、固定効果と対数尤度はそれ以上の桁まで一致します。
lmerSummary、lmerContest、lmerAnova は、lmerTest の Satterthwaite の自由度による t 検定と F 検定、
Type I・II・III の分散分析表を返します (自由度はその最適点で厳密な導関数から求めます。lmerTest は lme4 の
最適点で数値微分します)。lmerAnova([fit1, fit2]) は、lme4 の anova() と同じく当てはめを尤度比検定で比べます。
glmer は、lme4 の一般化線形混合モデル (二項、ポアソン、Gamma、inverse.gaussian、gaussian の族とそのリンク) を、
ラプラス近似で、またスカラーの変量効果の項が 1 つなら適応的 Gauss-Hermite 求積 (nAGQ 2〜100) で当てはめます:
glmer("y ~ x + (1 | g)", d, { family: "poisson" })。glmerSummary は p 値つきの係数表、glmerAnova は分散分析表
または glmer・lmer・glm の当てはめの尤度比検定による比較、glmerPredict と lmerPredict は予測 (新しいデータ、
一部または全部を除いた変量効果、標準誤差つきも可) を返します。lmer と同じく推定値は厳密な最適点です。標準誤差と
nAGQ > 1 については違いを見てください。
import { cohensD, etaSquared, Anova, powerTTest, pwrAnovaTest } from "@numero-uno-jpn/rstats";
cohensD([5.1, 4.9, 6.2, 5.8, 6.0, 5.5], [4.1, 4.5, 5.0, 4.8, 4.3]);
// ≈ { name: "Cohens_d", value: 2.30726, ci: 0.95, ciLow: 0.68824, ciHigh: 3.85666 } (effectsize::cohens_d)
etaSquared(Anova(fit, { type: 3 })).table[0]; // ≈ [0.95068, 0.95, 0.82023, 1] (fit は上の例のもの。偏 η²、片側の信頼区間)
powerTTest({ delta: 0.5, power: 0.8 }).n; // ≈ 63.766 (1 群あたり、power.t.test)
pwrAnovaTest({ k: 3, f: 0.25, power: 0.8 }).n; // ≈ 52.397 (pwr::pwr.anova.test)
信頼区間の限界は厳密な解です。effectsize は最適化で求めるので、1e-9 程度 (ときに 3e-3) ずれます。
行列は行の配列で表します。
import { solve, qr, qrCoef, svd, eigen } from "@numero-uno-jpn/rstats";
solve([[2, 1], [1, 3]]); // [[0.6, -0.2], [-0.2, 0.4]]
const q = qr([[1, 1], [1, 2], [1, 3]]);
qrCoef(q, [1, 3, 4]); // ≈ [-0.333, 1.5] (最小二乗)
svd([[1, 4], [2, 5], [3, 6]]).d; // ≈ [9.508032001, 0.7728696357]
eigen([[2, 1], [1, 3]]).values; // ≈ [3.618033989, 1.381966011]
| 分野 | 関数 (R と名前が違うものは括弧内が R の名前) |
|---|---|
| 特殊関数 | gamma, lgamma, beta, lbeta, choose, lchoose, factorial, lfactorial, digamma, trigamma, psigamma, besselI, besselK, besselJ, besselY。R にはない erf, erfc, erfinv, erfcinv, gammainc, perm と、R の C API (Rmath.h) の log1pmx, lgamma1p, log1mexp, log1pexp も |
| 分布 (d/p/q) | 正規、t、カイ二乗、F、ベータ、ガンマ、二項、ポアソン、一様、指数、対数正規、ロジスティック、コーシー、ワイブル、幾何、負の二項、超幾何、Wilcoxon の符号付き順位と順位和、スチューデント化された範囲 (ptukey, qtukey)、非心カイ二乗・t・F・ベータ (ncp)。多項分布の確率 (dmultinom)。逆ガンマ、Kumaraswamy、Pareto、三角、Laplace (extraDistr) と逆正弦。distSummary (平均・分散・標準偏差・中央値・最頻値・歪度・尖度) |
| 乱数 | setSeed (set.seed), RNGkind (Mersenne-Twister と L’Ecuyer-CMRG、sample.kind の Rejection と Rounding), getRandomSeed/setRandomSeed (.Random.seed), nextRNGStream/nextRNGSubStream (parallel), 26 個の r* 関数, sample, sampleInt (sample.int), r2dtable |
| 記述統計 | sum, prod, mean, weightedMean (weighted.mean), variance (var), sd, median, range, cumsum, cumprod, cummax, cummin, diff, quantile, IQR, fivenum, mad, rank, cov, cor, tabulate, table, unique, cut, findInterval, pretty, hist, ecdf, scale, skewness, kurtosis, geometricMean, modes, meanAD, cv |
| 検定 | tTest, chisqTest, fisherTest, wilcoxTest, corTest, binomTest, poissonTest, propTest, mcnemarTest, varTest, bartlettTest, kruskalTest, friedmanTest, quadeTest, flignerTest, moodTest, onewayTest, shapiroTest, mantelhaenTest, ansariTest, ksTest, pairwiseTTest, pairwiseWilcoxTest, pairwisePropTest, aov (一元配置。表は当てはめの aovSummary), TukeyHSD, zTest, brunnerMunzelTest, pAdjust (p.adjust) |
| 分散分析 | formula で呼ぶ aov と aovSummary (多元、交互作用、共変量、Error() の層), anova (anova.lm。逐次の表とモデルの比較), Anova (car の Type II と III), aovEz (afex。反復測定と混合計画、Greenhouse-Geisser と Huynh-Feldt の補正、一般化 η² と偏 η²), mauchlyTest (mauchly.test) |
| 効果量と検出力 | cohensD, hedgesG (effectsize。信頼区間は厳密な限界), etaSquared, omegaSquared, epsilonSquared (偏・一般化。anova と Anova の表から), powerTTest, powerPropTest, powerAnovaTest (power.*.test), pwrTTest, pwrT2nTest, pwr2pTest, pwr2p2nTest, pwrPTest, pwrNormTest, pwrRTest, pwrChisqTest, pwrAnovaTest, pwrF2Test, esH, esW1, esW2, cohenES (pwr) |
| 線形モデル | lm (formula とデータフレーム、または行列で渡す。summary の値も返す), modelMatrix (model.matrix), confint, predict。glm (行列で渡す形。R の stats のすべての族とリンク) と glmSummary (summary.glm)、glmResiduals (4 種類)、glmHatvalues、glmRstandard、glmCooksDistance、glmPredict (標準誤差つき)、glmConfint (プロファイル尤度、厳密な限界)、glmAnova (anova.glm)。vcovHC、vcovCL (sandwich: HC0〜HC5、一元と多元のクラスター)、coeftest、coefci (lmtest) |
| 混合モデル | lmer (lme4: REML と最尤法、相関のある変量効果と相関のない変量効果、交差と入れ子の群。fixef、vcov、VarCorr、ranef、logLik、AIC、BIC、REMLcrit、isSingular)、lmerSummary・lmerContest・lmerAnova (lmerTest: Satterthwaite の t 検定と F 検定、Type I/II/III の分散分析表。当てはめどうしの尤度比検定)、glmer (lme4: glm のすべての族、ラプラス近似と適応的 Gauss-Hermite 求積)、glmerSummary・glmerAnova・glmerPredict・lmerPredict。@numero-uno-jpn/rstats/mixed から import する |
| ほかの検定 | leveneTest、propTrendTest (prop.trend.test)、jonckheereTest、cochranQTest、adTest、lillieTest、cvmTest、sfTest、pearsonTest (car、DescTools、clinfun、nortest)。tTOST、tsumTOST (TOSTER: 平均の同等性検定と最小効果検定) |
| 分割表と比率 | binomCI、binomDiffCI、binomRatioCI (DescTools の BinomCI、BinomDiffCI、BinomRatioCI)、oddsRatio (epitools と epiR のスコア区間)、fisherTest(x, { midp: true }) (exact2x2)、boschlooTest (Exact)、gTest、stuartMaxwellTest、goodmanKruskalGamma (DescTools)、lblTest (coin)、chisqTest(x, { nMinus1: true }) (Campbell の N − 1 検定) と Freeman-Tukey 残差、tost (equivalence)、binomDiffEquivalenceTest (2 つの比率のスコア法の TOST) |
| 多重比較 | dscfAllPairsTest (Steel-Dwass)、kwAllPairsDunnTest、kwManyOneDunnTest、manyOneUTest (Steel の多対一の順位検定)、dunnettTest、gamesHowellTest、tukeyTest (PMCMRplus)、dunnTest (dunn.test)、glhtDunnett (multcomp) |
| 生存時間解析 | survdiff (log-rank)、survfit (Kaplan-Meier。信頼区間と中央値)、coxph (Cox 回帰。Efron と Breslow のタイの扱い、ケースの重み、層、Wald・尤度比・スコア検定、ロバスト分散と cluster) |
| 診断の精度と測定法の比較 | roc、auc、ciAuc (ci.auc)、rocTest (roc.test)、coords (pROC: DeLong の区間と検定、ブートストラップ、部分 AUC)、diagnosticTests (epiR の epi.tests)、blandAltman (BlandAltmanLeh の bland.altman.stats)、mcreg (mcr: Deming 回帰、重み付き Deming 回帰、Passing-Bablok 回帰) |
| 一致度と信頼性 | kappa2、kappamFleiss、icc (irr)、ICC (psych: Shrout と Fleiss の 6 つの形式)、cronbachAlpha、partialR (psych)、polychor、polyserial (polycor)、pbvnorm、factanal、omega (McDonald の ω。psych) |
| データの扱い | completeCases (complete.cases)、naOmit (na.omit)、subset、merge、データフレームの rbind・cbind、tapply、split、aggregate、pivotLonger と pivotWider (tidyr)、fromRows と toRows (行のオブジェクトの配列とデータフレームの相互の変換)。検定の formula 版 (tTest("y ~ g", data)、kruskalTest、friedmanTest("y ~ w \| b", data)、corTest("~ x + y", data) など) |
| 線形代数 | matMul (%*%), add, subtract, multiply, divide, outer, t, diag, cbind, rbind, matrix, kronecker, seq, crossprod, tcrossprod, norm, backsolve, forwardsolve, chol, chol2inv, qr と qrQ, qrR, qrX, qrCoef, qrQy, qrQty, qrResid, qrFitted, qrSolve (qr.Q …), solve, det, determinant, rcond, kappa, svd, eigen, lu, prcomp, ginv (MASS)、schur、expm |
| 数値計算 | integrate, optimize, optim, optimHess, uniroot, approx, spline, splinefun, splinefunH, barylag, hermiteInterp, ode, grad, jacobian, hessian |
R の分析の書き方 (データフレーム、formula、因子) に慣れていない場合は、docs/ja/guide-for-js-developers.md が JavaScript の開発者の立場から例を使って説明しています。
jStat から移るときは docs/ja/migrating-from-jstat.md に jStat の全関数の置き換えがあります。
API リファレンス に、すべての関数の説明と使用例があります (使用例はテストで実行しています)。
R の関数から rStats.js の関数を引くには docs/ja/r-functions.md を見てください。(npm run docs で手元でもリファレンスを作れます。)
AI のコーディング支援向けに、R のコードを rStats.js の呼び出しに書き換える方法を llms.txt にまとめています (英語。npm のパッケージにも入っていて、https://numero-uno-jpn.github.io/rStats.js/llms.txt でも読めます)。
正解の値は oracle/ の R のスクリプトで作り、test/fixtures/ に
保存してあります。そのため、テストは R がなくても動きます。各ケースは、R と一致するか、R が
間違っているところでは Rmpfr や gmp で計算した高精度の値と一致すれば合格です。分布の裾の深い
ところや母数の大きいところでは、rStats.js のほうが R より正確なことがよくあります。指数部を
double-double 演算で計算しているためです。詳しくは docs/ja/accuracy.md を
見てください。
違いの多くは、R の精度が落ちるか、R が失敗するケースです。ふだんの使い方に関わる意図的な違いは 次のとおりです。
sampleInt(n) は 0..n-1 を返します (R の sample.int() から 1 を
引いた値で、乱数の列は同じ)。qr と chol のピボットも 0 から始まります。warnings に入れて返します (R の文言で、同じ警告は 1 回ずつ。なければ [])。R のように表示するには
handler を設定します。handler は、呼び出しの警告を 1 つずつ、呼んだ関数の名前とともに受け取ります:
setWarningHandler((message, source) => console.warn(source + ": " + message))。handler の中で throw すれば
R の options(warn = 2) の代わりになり、setWarningHandler(null) で止まります。mcnemarTest、NaN を含む行列の lu)。分布の関数 (d/p/q/r) は、R と同じく不正な母数に NaN を返します。
全般的な違いを見てください。exact: false を案内します。R はその多くを、時間がかかっても計算します。
上限を見てください。lmer と glmer は基準の厳密な最適点を返します。lme4 の最適化はそこへ許容誤差の範囲でしか近づきません。
また、lme4 の収束の警告は出しません。nAGQ > 1 の glmer の対数尤度は真の値です (lme4 は定数を落とします)。すべての違いは docs/ja/differences-from-r.md にあります。
バンドラ (Vite、esbuild、webpack、Rollup) を使う場合は、関数を名前で import してください。 使わない関数は取り除かれます。minify と gzip をした後のおおよその大きさは次のとおりです。
| import するもの | gzip |
|---|---|
pnorm |
1.6 KB |
setSeed, rnorm |
2.0 KB |
solve / svd / eigen |
2.4 / 2.4 / 5.1 KB |
wilcoxTest / fisherTest / tTest |
18.9 / 27.9 / 31.0 KB |
qbeta / pt と qt |
43.9 / 40.4 KB |
glm と glmSummary / glm とそのすべての関数 |
35.0 / 51.4 KB |
lmer (/mixed から) / lmerSummary・lmerContest・lmerAnova も |
19.4 / 70.0 KB |
glmer (/mixed から) / glmerSummary・glmerAnova・glmerPredict も |
47.2 / 66.1 KB |
すべて (/mixed を除く) |
289.5 KB |
(npm run size で測れます。)
分野ごとにサブパスからも export しているので、1 つの分野だけを import することもできます。
@numero-uno-jpn/rstats/distributions、/tests (検定、lm・confint・predict、glm とその関数)、/linalg、
/descriptive、/numerics、/special、/mixed です (/mixed の lmer・glmer とその関数は、この方法でしか import
できません。メインの入口には含めていません)。
バンドラを使わない場合は、1 ファイルにまとめたビルド dist/rstats.js (/mixed 以外のすべての関数を含む
minify 済みの ES モジュール、gzip で 290 KB) を jsDelivr から読み込めます。jsDelivr は、npm のリリースを
そのまま配信します。
<script type="module">
import { pnorm } from "https://cdn.jsdelivr.net/npm/@numero-uno-jpn/rstats@1.3.0/dist/rstats.js";
console.log(pnorm(1.96)); // ≈ 0.9750021049
</script>
関数は R と同じ名前の named export で、jStat. や _. のような接頭辞はありません。他の名前と区別
したいときは、名前空間として import してください (上の URL から import * as rs from で読み込む)。
rs.pnorm(1.96)、rs.tTest(x, y) のように呼べます。バンドラを使う場合
(import * as rs from "@numero-uno-jpn/rstats") も、使わない関数は取り除かれます。CDN から読み込む
場合は、どちらの書き方でもファイル全体が読み込まれます。window には何も追加しません。他のスクリプトや
ブラウザのコンソールから使うときは、自分で window.rs = rs としてください。
一部の分野だけを使うページでは、代わりに分野ごとのバンドルを読み込めます。dist/distributions.js、
dist/tests.js、dist/linalg.js、dist/descriptive.js、dist/numerics.js、dist/special.js、
dist/mixed.js は上のサブパスと同じ関数を export し、共通のコードを dist/chunks/ で共有します。そのため、
2 つの分野を読み込んでも共通部分は 1 回しか読み込まれません。chunk を含めた 1 分野の転送量は、gzip で
39 KB (special) から 250 KB (tests) です。
1 つのページでは、dist/rstats.js か分野ごとのバンドルのどちらか一方だけを使ってください。両者は別々の
モジュールの集まりなので、混ぜると共通のコードが 2 回読み込まれ、乱数の状態も 2 つになります (一方の setSeed
は他方の乱数に効きません)。dist/rstats.js と dist/mixed.js を一緒に読み込む場合も、dist/mixed.js は
共通のコードを別に持ち込みます。
npm を元にしたほかの CDN も使えます。たとえば https://esm.sh/@numero-uno-jpn/rstats です。ビルド結果
(dist/) は main ブランチにはなく、リリースのタグにも入っていますが、jsDelivr の GitHub 経由の配信
(cdn.jsdelivr.net/gh/...) は、0.12.0 以降のタグを配信しません。テストの fixture を含めると、リポジトリが
その上限の 50 MB を超えるためです。上の npm 経由の URL を使ってください。
ブラウザ向けのビルドは、headless Chromium でテストしています。バンドラでまとめた場合と、
dist/rstats.js を ES モジュールとして読み込んだ場合の両方です (npm run test:browser)。
デモ: https://numero-uno-jpn.github.io/rStats.js/demo/。demo/ は、dist/rstats.js を jsDelivr から読み込んで、すべての関数を試せる
静的なページです。確率分布 (グラフ付き)・特殊関数・乱数・検定・線形代数を扱います。各フォームには、
入力に対応する R と JavaScript のコードが表示されます。「R との比較」のタブでは、例題の値を R が
出力した値と照らし合わせます (source("examples.R") で、すべての例題を R で実行できます)。CDN の
代わりに手元のビルドを使うには、npm run build をしてから、リポジトリのルートを静的サーバー
(たとえば npx serve .) で配信し、/demo/?src=local を開いてください。
版が 0.x の間は、minor の版で互換性のない変更が入ることがあります。その場合は変更履歴に 書きます。
1.0.0 からは Semantic Versioning に従います。公開 API は、パッケージのルートとサブパスが export するもので、 文書にある名前・引数・オプション・結果のフィールドとそれらの型を含みます。
TypeError、RangeError、SyntaxError、Error) の変更、
計算量の上限を厳しくすること、まだサポートされている Node.js の版を外すこと。warnings と messages の中身、列挙できないフィールドや
文書にないフィールド、dist/ のうちエントリポイントと dist/*.js のバンドル以外のファイル。R の新しい版が
R 自身の値や乱数の列を変えたときは、rStats.js も minor の版でそれに合わせます。optim の control のような入れ子の
オブジェクトも同じ)。綴りを誤ったオプションが黙って無視されることはありません。このため、オプションの追加は
minor の変更です (追加するキーは、それまではエラーでした)。R との答え合わせの仕組みと、ライセンスの決まり (R や GPL のパッケージのコードは使わない) は CONTRIBUTING.ja.md にあります。速さと double-double 演算については docs/ja/performance.md にあります。
MIT です。数値計算の部品は、SciPy の xsf・scipy.stats・QUADPACK の C 訳 (BSD-3)、Boost.Math (BSL-1.0)、statsmodels (BSD-3)、LAPACK の参照実装 (修正 BSD) から移植しています。パブリックドメインの LINPACK・EISPACK・Cephes・QUADPACK・netlib のコードも使っています。詳しくは THIRD_PARTY_NOTICES.md (英語) を見てください。