Updated the Japanese comment to be more understandable.

1 files changed, 53 insertions, 53 deletions

diff --git a/ja-jp/r-jp.html.markdown b/ja-jp/r-jp.html.markdown
index 0ef6bddf..3e6621f5 100644
--- a/ja-jp/r-jp.html.markdown
+++ b/ja-jp/r-jp.html.markdown
@@ -11,18 +11,18 @@ lang: ja-jp
 
 
 R は統計計算用の言語です。
-データの取得やクリーニング、統計処理やグラフ作成をするために使える、たくさんのライブラリがあります。また、LaTeX文書からRコマンドを呼び出すこともできます。
+データの取得やクリーニング、統計処理やグラフ作成をするために便利な、たくさんのライブラリがあります。また、LaTeX文書からRコマンドを呼び出すこともできます
 
 
 ```python
 # コメント行は、#で開始します
 
 
-# コメントを複数の行に分けたい場合は、
-# このように、コメント行を複数連続させるとできます
+# 複数行をまとめてコメントにすることはできないので、
+# コメントを複数の行に分けたい場合、このように、単に毎行をコメントにしてください
 
 
-# WindowsやMacでは、 COMMAND-ENTERで1行のコマンド実行ができます
+# WindowsやMacでは、 COMMAND-ENTERで、コマンドを1行実行できます
 
 
 
@@ -79,7 +79,7 @@ stem(rivers)
 #  36 | 1
 
 
-stem(log(rivers)) # このデータは、正規分布でも対数正規分布でもないので注意！
+stem(log(rivers)) # このデータは、正規分布でも対数正規分布でもないので、注意！
 # 特に正規分布原理主義のみなさん
 
 
@@ -175,8 +175,8 @@ rnorm(9)
 
 
 # ここからは、プログラミングをつかうチュートリアルです
-# この節ではRで重要なデータ型の、整数型、数字型、文字型、論理型と因子型をつかいます
-# 他にもいろいろありますが、まずは最小限必要な、これらから始めましょう
+# この節ではRで重要なデータ型（データクラス）の、整数型、数字型、文字型、論理型と因子（ファクター）型をつかいます
+# 他にもいろいろありますが、これらの必要最小限なものから始めましょう
 
 
 # 整数型
@@ -184,7 +184,7 @@ rnorm(9)
 5L # 5
 class(5L) # "integer"
 # (?class を実行すると、class()関数について、さらなる情報が得られます)
-# Rでは、この5Lのような単一の値は、長さ1のベクトルとして扱われます
+# Rでは、この5Lのような1つの値は、長さ1のベクトルとして扱われます
 length(5L) # 1
 # 整数型のベクトルはこのようにつくります
 c(4L, 5L, 8L, 3L) # 4 5 8 3
@@ -221,7 +221,7 @@ class(-Inf)        # "numeric"
 # 不正な計算は "not-a-number"になります
 0 / 0 # NaN
 class(NaN) # "numeric"
-# 長さが1より大きなベクター同士で計算ができます
+# 長さが1より大きなベクター同士の計算もできます
 # どちらかが長い場合、短い方は何度も繰り返して使われます
 c(1,2,3) + c(1,2,3) # 2 4 6
 
@@ -263,18 +263,18 @@ c('Z', 'o', 'r', 'r', 'o') == "Zorro" # FALSE FALSE FALSE FALSE FALSE
 c('Z', 'o', 'r', 'r', 'o') == "Z" # TRUE FALSE FALSE FALSE FALSE
 
 
-# ファクター
-# ファクタークラスは、カテゴリカルデータ用のクラスです
-# ファクターは、子供の学年のように順序がつけられるものか、性別のように順序がないものがあります
+# 因子（ファクター）
+# 因子型は、カテゴリカルデータ用の型です
+# 因子には、子供の学年のように順序がつけられるものか、性別のように順序がないものがあります
 factor(c("female", "female", "male", "NA", "female"))
 #  female female male   NA     female
 # Levels: female male NA
 # "levels" は、カテゴリカルデータがとりうる値を返します
 levels(factor(c("male", "male", "female", "NA", "female"))) # "female" "male"   "NA" 
-# ファクターベクターの長さが1ならば、そのlevelも1です
+# 因子ベクターの長さが1ならば、そのlevelも1です
 length(factor("male")) # 1
 length(levels(factor("male"))) # 1
-# ファクターは、この後で紹介するデータフレーム（というデータ型）内で、よくみられます
+# 因子型は、この後で紹介するデータフレーム（というデータ型）内で、よくみられます
 data(infert) # "Infertility after Spontaneous and Induced Abortion"
 levels(infert$education) # "0-5yrs"  "6-11yrs" "12+ yrs"
 
@@ -379,7 +379,7 @@ jiggle(5)        # 5±ε.  set.seed(2716057)をすると、jiggle(5)==5.005043
 # 1次元
 
 
-# まずは基本からです。すでにご存じのベクターからです
+# まずは基本からです。ご存じベクターからです
 vec <- c(8, 9, 10, 11)
 vec        #  8  9 10 11
 # 特定の要素を、[角括弧]による指定で取り出せます
@@ -400,7 +400,7 @@ any(vec == 10) # TRUE
 vec[6]        # NA
 # ベクターの長さは、length()で取得できます
 length(vec)        # 4
-# ベクター全体、または一部に対して、操作ができます
+# ベクター全体、または1部に対して、操作ができます
 vec * 4        # 16 20 24 28
 vec[2:3] * 5        # 25 30
 any(vec[2:3] == 8) # FALSE
@@ -411,7 +411,7 @@ sd(vec)                # 1.290994
 max(vec)        # 11
 min(vec)        # 8
 sum(vec)        # 38
-# 他にも、ベクター関連ではいろいろな関数があります
+# 他にも、ベクター関連ではいろいろな関数があります。以下はベクターをつくるための方法です
 5:15        # 5  6  7  8  9 10 11 12 13 14 15
 seq(from=0, to=31337, by=1337)
 # =>
@@ -422,7 +422,7 @@ seq(from=0, to=31337, by=1337)
 # 2次元配列 (すべての値が同じ型の場合)
 
 
-# 同じ型の値が含まれる配列は、このように作れます
+# 同じ型の値が含まれる2次元配列は、このように作れます
 mat <- matrix(nrow = 3, ncol = 2, c(1,2,3,4,5,6))
 mat
 # =>
@@ -430,7 +430,7 @@ mat
 # [1,]    1    4
 # [2,]    2    5
 # [3,]    3    6
-# ベクターとは違い、配列のクラス名は"matrix"です。
+# ベクターとは違い、2次元配列の型名は"matrix"です。
 class(mat) # => "matrix"
 # 最初の行
 mat[1,]        # 1 4
@@ -440,7 +440,7 @@ mat[1,]        # 1 4
 mat[3,2]        # 6
 
 
-# 配列全体を転置します
+# 2次元配列全体を転置します
 t(mat)
 # =>
 #      [,1] [,2] [,3]
@@ -448,7 +448,7 @@ t(mat)
 # [2,]    4    5    6
 
 
-# 配列の積
+# 2次元配列の積
 mat %*% t(mat)
 # =>
 #      [,1] [,2] [,3]
@@ -457,7 +457,7 @@ mat %*% t(mat)
 # [3,]   27   36   45
 
 
-# cbind() は、複数のベクターを、別々の列に並べて配列を作ります
+# cbind() は、複数のベクターを、別々の列に並べて2次元配列を作ります
 mat2 <- cbind(1:4, c("dog", "cat", "bird", "dog"))
 mat2
 # =>
@@ -467,19 +467,19 @@ mat2
 # [3,] "3"  "bird" 
 # [4,] "4"  "dog"
 class(mat2)        # matrix
-# ここでいま一度、型について注意してください!
-# 配列にある値は、すべて同じ型にする必要があります。そのため、すべて文字型に変換されています
+# ここでいま1度、2次元配列内の型について注意してください!
+# 2次元配列にある値は、すべて同じ型にする必要があります。そのため、すべて文字型に変換されています
 c(class(mat2[,1]), class(mat2[,2]))
 
 
-# rbind() は、複数のベクターを、別々の行に並べて配列を作ります
+# rbind() は、複数のベクターを、別々の行に並べて2次元配列を作ります
 mat3 <- rbind(c(1,2,4,5), c(6,7,0,4))
 mat3
 # =>
 #      [,1] [,2] [,3] [,4]
 # [1,]    1    2    4    5
 # [2,]    6    7    0    4
-# 全ての値は同じ型になります。この例の場合は、強制変換がされないのでよかったです
+# 全ての値は同じ型になります。上記例は幸い、強制変換がされないものでした
 
 
 # 2次元配列 (いろいろな型を含む場合)
@@ -506,16 +506,16 @@ students
 # 6  Ginny   -1     G
 class(students$year)        # "numeric"
 class(students[,3])        # "factor"
-# 次元の数をみます
+# 行と列の数をみます
 nrow(students)        # 6
 ncol(students)        # 3
 dim(students)        # 6 3
-# このdata.frame() 関数は、デフォルトでは文字列ベクターをファクターのベクターに変換します
+# このdata.frame() 関数は、デフォルトでは文字列ベクターを因子ベクターに変換します
 # stringsAsFactors = FALSE に設定してからデータフレームを作成すると、変換されません
 ?data.frame
 
 
-# データフレームの一部を取り出すには、いろいろな（変な）、似たような方法があります
+# データフレームの1部を取り出すには、いろいろな（変な）、似たような方法があります
 students$year        # 3  2  2  1  0 -1
 students[,2]        # 3  2  2  1  0 -1
 students[,"year"]        # 3  2  2  1  0 -1
@@ -594,7 +594,7 @@ students
 # 6:       Draco    0     S
 
 
-# 行を消す場合は、データテーブルから、一部を除くことによってできます
+# データテーブルから行を消す場合は、以下のように除く行を指定すればできます
 students[studentName != "Draco"]
 # =>
 #    house studentName year
@@ -603,7 +603,7 @@ students[studentName != "Draco"]
 # 3:     G       Ginny   -1
 # 4:     H      Cedric    3
 # 5:     R         Cho    1
-# データフレームの場合も同様
+# データフレームの場合も同様です
 students <- as.data.frame(students)
 students[students$house != "G",]
 # =>
@@ -616,15 +616,15 @@ students[students$house != "G",]
 # 多次元 (すべての値が同じ型の場合)
 
 
-# 配列でN次元の表を作ります
-# すべての値は同じ型にする必要があります
-# この方法で、配列のような2次元表も作成可能です
+# 配列を並べて、N次元の表を作ります
+# 配列なので、すべての値は同じ型にする必要があります
+# ちなみに、以下のようにすれば2次元配列・2次元表も作成可能です
 array(c(c(1,2,4,5),c(8,9,3,6)), dim=c(2,4))
 # =>
 #      [,1] [,2] [,3] [,4]
 # [1,]    1    4    8    3
 # [2,]    2    5    9    6
-# 配列から3次元行列を作ることもできます
+# 2次元配列を並べて、3次元配列を作ることもできます
 array(c(c(c(2,300,4),c(8,9,0)),c(c(5,60,0),c(66,7,847))), dim=c(3,2,2))
 # =>
 # , , 1
@@ -642,7 +642,7 @@ array(c(c(c(2,300,4),c(8,9,0)),c(c(5,60,0),c(66,7,847))), dim=c(3,2,2))
 # [3,]    0  847
 
 
-# リスト（多次元、不完全なのか複数の型が使われているもの)
+# リスト（多次元、不完全または複数の型が使われているもの)
 
 
 # ついにRのリストです
@@ -656,13 +656,13 @@ list1[[1]] # また別の方法
 # =>
 #  [1]  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] 34 35 36 37 38 39 40
-# 他のベクターと同じく、一部を取り出すことができます
+# 他のベクターと同じく、1部を取り出すことができます
 list1$price[4]
 
 
-# リストは、Rで一番効率的なデータ型ではありません
-# なにか特別な理由がない限りは、データフレームを使い続けるべきです
-# リストは、線形回帰関数の返値として、しばしば使われます
+# リストは、Rで1番効率的なデータ型ではありません
+# 特別な理由がない限りは、リストの代わりにデータフレームを使うべきです
+# リストは、線形回帰関数の返値として、しばしば使われています
 
 
 ##################################################
@@ -677,18 +677,18 @@ mat
 # [1,]    1    4
 # [2,]    2    5
 # [3,]    3    6
-# apply(X, MARGIN, FUN) は、行列Xの行（MARGIN=1)または列（MARGIN=2)に対して、関数FUNを実行します
-# RでこのようにXの全行か全列に関数を実行すると、forやwhileループを使うより、遥かに速くできます
+# apply(X, MARGIN, FUN) は、行列Xの行（MARGIN=1で指定)または列（MARGIN=2で指定)に対して、関数FUNを実行します
+# Rで、このように指定してXの全行または全列に関数を実行するのは、forやwhileループを使うよりも、遥かに速いです
 apply(mat, MAR = 2, jiggle)
 # =>
 #      [,1] [,2]
 # [1,]    3   15
 # [2,]    7   19
 # [3,]   11   23
-# 他にも関数があります。?lapply, ?sapply で確認してみてください
+# 他にも便利な関数があります。?lapply, ?sapply で確認してみてください
 
 
-# このやり方がちょっとややこしいという事は、みんな同意です。なので、あまり怖がりすぎないでください
+# apply()系関数の使い方は、ちょっとややこしいです（みんなそう思ってます）。なので、あまり怖がりすぎないでください
 
 
 # plyr パッケージは、*apply() 系の関数を置き換えて（さらに改善して）いこうとしています
@@ -731,25 +731,25 @@ write.csv(pets, "pets2.csv") # 新しくcsvファイルを作ります
 #########################
 
 
-# 組み込みのプロット関数です
-# 散布図です!
+# Rに組込まれているプロット関数をつかいます
+# 散布図!
 plot(list1$time, list1$price, main = "fake data")
-# 回帰図です!
+# 回帰図!
 linearModel <- lm(price  ~ time, data = list1)
 linearModel # outputs result of regression
 # 回帰直線を既存の図上に引きます
 abline(linearModel, col = "red")
-# いろいろな診断方法を見ましょう
+# いろいろな散布図をつくって、確認できます
 plot(linearModel)
-# ヒストグラムです！
+# ヒストグラム！
 hist(rpois(n = 10000, lambda = 5), col = "thistle")
-# 棒グラフです！
+# 棒グラフ！
 barplot(c(1,4,5,1,2), names.arg = c("red","blue","purple","green","yellow"))
 
 
 # GGPLOT2
-# 上記よりも、もっときれいな図を描くこともできます
-# より多くよい図を描くために、ggplot2 パッケージを使ってみましょう
+# 上記の組込み関数を使うよりも、もっときれいな図を描くこともできます
+# ggplot2 パッケージを使って、より多くのよい図を描いてみましょう
 install.packages("ggplot2")
 require(ggplot2)
 ?ggplot2
@@ -772,4 +772,4 @@ pp + geom_point()
 
 
 * RとR GUIはこちら [http://www.r-project.org/](http://www.r-project.org/)
-* [RStudio](http://www.rstudio.com/ide/) はまた別のGUIです
\ No newline at end of file
+* [RStudio](http://www.rstudio.com/ide/) 別のGUI
\ No newline at end of file