Software-update: R 4.5.1

R is een ontwikkelomgeving en programmeertaal voor statistische en data-analysedoeleinden. Het werd oorspronkelijk ontworpen door Ross Ihaka en Robert Gentleman (vandaar de naam R) aan de Universiteit van Auckland, Nieuw-Zeeland. In R is programmeren sterk objectgeoriënteerd en de functionaliteit kan uitgebreid worden via packages die onder andere via cran beschikbaar worden gesteld. Het R-coreteam, dat zich vandaag de dag bezighoudt met de doorontwikkeling, heeft versie 4.5.1 uitgebracht met de titel Great Square Root. De changelog van deze uitgave ziet er als volgt uit:

New features:

• The internal method of unzip() now follows unzip 6.00 in how it handles extracted file paths which contain "../". With thanks to Ivan Krylov.

Installation:

• Standalone nmath can be built with early-2025 versions of clang-based compilers such as LLVM clang 20, Apple clang 17 and Intel icx 2025.0.
• Tcl/Tk 9 can be used to build package tcltk: this has become the default in some Linux distributions. *N.B.* several third-party packages currently require Tcl/Tk 8 or even 8.6 without declaring so.

Bug fixes:

• Java detection in javareconf could not detect libjvm.* in the zero variant of the JDK (PR#18884). All valid variants as of JDK 24u are now supported.
• factanal(.., rotation=*) now correctly updates rotmat, fixing PR#18886.
• dnbinom(, , ..) now is 0 correctly, instead of NaN or Inf sometimes.
• dbinom(, n=Inf, ..) is 0 now correctly, instead of NaN which also fixes many dnbinom() cases, notably those mentioned in PR#16727 comment #5.
• Fixing C level “binomial deviance” bd0() for extreme arguments (preventing under-/overflow) solves more PR#16727 cases and also prevents some full accuracy loss in such cases for dbinom(), dnbinom(), and via dbinom_raw() potentially dgeom(), dhyper(), dbeta(), and df().
• signif(1.**e308, digits) no longer truncates unnecessarily (but still to prevent overflow to Inf), fixing PR#18889.
• prettyNum(*, zero.print={>=1-char}, replace.zero=TRUE) now works as documented, thanks to Marttila Mikko and Ivan Krylov's messages on R-devel.
• pbeta(x, a,b, ..) for very large a,b no longer returns NaN but the correct values (0 or 1, or their logs for log.p = TRUE). This improves Mathlib's C level bratio() and hence also pnbinom(), etc..

Versienummer	4.5.1
Releasestatus	Final
Besturingssystemen	Linux, BSD, macOS, Solaris, Windows 10, Windows 11
Website	The R Project
Download	https://cran.r-project.org/src/base/R-4/
Licentietype	Voorwaarden (GNU/BSD/etc.)

Reacties (13)

[DefaultError]

Ooit met SPSS gewerkt en data uit de bestanden omgezet. “Lots of work though”.
R zal ongeveer hetzelfde kunnen, omgaan met gegevens maar dan anders.

[fenrirs]

Beetje karige reactie. Met R heb je een soort Zwitsers zakmes in handen op het gebied van data en statistiek, nog los van de grafische mogelijkheden

‘Bioconductor’ is bv een enorme verzameling hele handige tools

Is het een goto for all? Nee zeker niet. Soms is het ronduit een omslachtige rot ‘taal’ en een forse memory hog. Toch voor sommige zaken een defacto standaard om mee te werken

[Klaas Vaak]

SPSS is inderdaad niet echt vergelijkbaar met R. SPSS wordt vooral bij de sociale wetenschappen opleidingen en bij (consultancy) bedrijven en instellingen gebruikt waar er regelmatig maar relatief weinig serieus met data gewerkt wordt. SPSS heeft immers out-of-the-box een betrekkelijk aantrekkelijke GUI (en vooral al meerdere decennia) en is daarmee toegankelijk en vertrouwd. Er is ook goede ondersteuning vanuit IBM en het programma heeft standaard al relatief veel leuke regressietechnieken en zo. R heeft daarentegen minder/geen standaard ondersteuning, maar is juist modulair en aanpasbaar. Wil je een GUI in R, dan installeer je R studio en gebruik je packages die je deze luxe geven. Wil je iets nieuws doen? Waarschijnlijk heeft een hobbyist, programmeur, of academicus er al wat voor geschreven. Zo niet, dan kan je dit zelf doen. Met SPSS zijn er ook wel extensies, maar veel minder én ze werken vaak niet zo goed.

In de wetenschap is onderhand R de standaard, omdat je daarmee alles reproduceerbaar én makkelijk aanpasbaar kan maken. Een .do file (syntax bestand) kan je zo doorlopen en ook delen met derden (waaronder journals, ofwel de universiteit waar je werkt). Met SPSS is niet alles 1-op-1 naar syntax te zetten, en zijn de output bestanden onoverzichtelijk. Een Stata (ander programma) zit dichter op R, maar kost veel geld en is nog steeds niet zo modulair/aanpasbaar als R.

Tilburg University gebruikt volgens mij al standaard R in de meeste opleidingen, wat voor mij een hele mooie zet is. Gratis, modulair, aanpasbaar, en het geeft de gebruiker veel controle.

Ik gebruik zelf R dagelijks. Je kan er vrijwel alles mee, al loop ik wel geregeld tegen beperkingen aan zoals geheugenlimieten en zo. Maar ja, dan heb je het over dingen die je in een SPSS of Stata toch niet kan doen, en extreem grote datasets / extreme datahandelingen.

[rob12424]

Ik werk in de Akademie. (KNAW) R en python zijn de standaard.
Vroeger Perl, maar dat is een rot taal. Met Perl heb je meerdere wegen naar Rome en kunnen de uitkomsten nogal variabel zijn. (Grappig dan weer wel dat Posix een Perl standaard is voor besturingssysteemen.

Ik hoef er zelf nog niet mee te werken en zal het in de toekomst met pyfirmata en Perl wel moeten waarschijnlijk.

[fenrirs]

Als Perl veteraan en ex KNAW collega heb ik die taal al heel lang geleden opgegeven. Heel af en toe kom ik iets tegen en dan denk ik gelijk’why’?

Ik zou er weg van blijven. Alles wat je met Perl kan, kan ook met Python (of R). Wat wel helpt is het leren van Rust of Julia om de langzame delen van Python op te vangen.Een expectation maximalization functie in python kon ik 10-50x sneller maken met een simpele PyJulia dropin ( met dank aan Mistral overigen)

[rob12424]

Sorry ik bedoelde Pyfirmata en R. Het was nog vroeg.

Bij Perl blijf ik ver weg. Een ex collega/kennis van mij kan alles programmeren ik sta er altijd van te kijken hoe hij Perl, c, c#, python, Ruby R, php,xml en html in elkaar knalt.

[Wouterie]

Je ziet steeds meer de verschuiving van SPSS naar R en/of JASP. Aan de achterkant is het echter wel veel meer werk om het te beheren en goed te implementeren in de verschillende omgevingen. SPSS was een makkie, R en RStudio leveren geregeld gedoe op. Oh, en bugs... Gelukkig volgt een fix vrij snel. Maar ja, dan kun je weer opnieuw beginnen.

[Kermit123]

JASP is ook gebaseerd op R

[DefaultError]

Het enige wat ik moest doen, met dBase, is alle velden, husselen, op de juiste plek zetten. Het invoeren werd gedaan door office personeel. Een marketeer ging vervolgens met het eindresultaat aan de slag. Allemaal vergelijkingen en redelijkwijs niet mijn ding. Had mijn handen vol aan alles veilig houden en klaar zetten van projecten.

Er werd opgeschaald van 7 naar 1000 mensen personeel op de office werkvloer. Best een ding in die tijd, jaren ‘90.

Nu is er ook nog altijd veel mogelijk, en zo nu en dan verdiep ik me in online pakketten om kleine survey’s te maken. Mogelijk dat R ook modulair is toe te passen binnen online pakketten, want er kan nu veel meer dan ‘back in those day’s’.

[Neckreth]

Op de universiteit waar ik in totaal ~15 jaar gestudeerd en gewerkt heb was de transitie naar R al rond 2014, in ieder geval voor de beta/natuurwetenschappelijke opleidingen. Bij de HBO-instelling waar ik nu docent-onderzoeker ben, is die overgang nog steeds bezig.

[fenrirs]

Bizar, mijn eerste aanraking met R was in 1998, in het wereldje van microarrays

[tw_gotcha]

het is een programmeer taal. Ik ken R-wizzards die hetzelfrde doen als ik met Phyton, er zijn vast modules die op SPSS lijken maar het is veel meer (ik moet bekenn en dat ik al heel lang niet meer naar SPSS gekeken heb dus misschien heb ik het ook weer fout)

[Reactie gewijzigd door tw_gotcha op 14 juni 2025 20:41]

[DefaultError]

Onlangs iemand gesproken die er mee werkt en direct het verband (uit)legt tussen SPSS en R.