update

radiant-master/inst/app/server.R

@@ -55,7 +55,7 @@ shinyServer(function(input, output, session) {
     sidebarLayout(
       sidebarPanel(
         help_data_panel,
-        help_quickgen_panel,  # 添加 quickgen 的 help 面板
+        help_quickgen_panel,
         help_design_panel,
         help_basics_panel,
         help_model_panel,
@@ -66,7 +66,7 @@ shinyServer(function(input, output, session) {
       mainPanel(
         HTML(paste0("<h2>Select help files to show and search</h2><hr>")),
         htmlOutput("help_data"),
-        htmlOutput("help_quickgen"),  # 添加 quickgen 的 help 输出
+        htmlOutput("help_quickgen"),
         htmlOutput("help_design"),
         htmlOutput("help_basics"),
         htmlOutput("help_model"),

radiant-master/inst/translations/translation_zh.csv

@@ -1159,9 +1159,9 @@ Edit the generated R code here...,在此处编辑生成的R代码...,quickgen_ai
 Normality test,正态性检验,init.R
 Homogeneity of variance test,方差齐性检验,init.R
 Basics > Normality,基础统计 > 正态性,normality_test_ui.R
-Shapiro-Wilk,SW检验,normality_test_ui.R
-Kolmogorov-Smirnov,K-S检验,normality_test_ui.R
-Anderson-Darling,AD检验,normality_test_ui.R
+Shapiro-Wilk,夏皮罗-威尔克检验,normality_test_ui.R
+Kolmogorov-Smirnov,柯尔莫哥洛夫-斯米尔诺夫检验,normality_test_ui.R
+Anderson-Darling,安德森-达林检验,normality_test_ui.R
 Basics > Homogeneity,基础统计 > 方差齐性,homo_variance_test_ui.R
 Grouping variable:,分组变量：,homo_variance_test_ui.R
 Test method:,检验方法：,homo_variance_test_ui.R

radiant.basics/inst/app/tools/help/homo_variance_test.md

+> 方差齐性检验
+
+基于 Levene（莱文检验）、Bartlett（巴特利特检验）、Fligner（弗林格检验）等方差齐性检验方法，对多组数据的总体方差是否相等进行统计推断，为后续其他需要方差齐性假设的参数检验提供适用前提与决策依据。
+
+##  Levene（莱文检验）
+
+Levene  检验把每组原始数据先转换成与组内中心距离的绝对值，再对这些绝对偏差做单因素方差分析，只要组间平均偏离程度差异显著，就推断方差不齐；由于使用了离差绝对值，它对偏离正态分布、存在厚尾或异常值的情况非常稳健，样本量不等、分布偏斜时依然能保持较好的检验效能，因此在实验设计和生物统计中被广泛当作默认的方差齐性判断工具。
+
+
+
+## Bartlett（巴特利特检验）
+
+Bartlett  检验直接比较各组样本方差的大小，通过计算方差加权平均与几何平均之间的差距来度量齐性，差距越大越倾向拒绝方差齐性假设；它在数据确实来自正态总体时具有最高的检验功效，能够最早发现微小的方差差异，但只要总体稍偏离正态，尤其是出现偏斜或异常值时，容易错误地夸大差异，导致假阳性率升高，因此更适合在已确认正态性的前提下使用。
+
+
+
+## Fligner（弗林格检验）
+
+Fligner 检验把每组观测值转换为整体秩次，再对这些秩离差进行类似 Levene  的方差分析，由于整个过程只依赖秩的大小而不涉及具体数值，它对分布形态几乎没有任何要求，即使在严重偏斜、多峰或含有极端值的情况下也能维持稳定的显著性水平，适用于完全不确定分布形状、希望获得稳健结论的探索性分析，但相应地其检测微小方差差异的灵敏度略低于 Bartlett 和 Levene。
\ No newline at end of file

radiant.basics/inst/app/tools/help/normality_test.md

+> 正态性检验
+
+基于 Shapiro-Wilk（夏皮罗-威尔克检验）、Kolmogorov-Smirnov（柯尔莫哥洛夫-斯米尔诺夫检验）、Anderson-Darling（安德森-达林检验）等正态性检验方法，对样本数据是否服从正态分布进行统计推断，为后续参数检验或建模方法的选择提供前提依据。
+
+## Shapiro-Wilk（夏皮罗-威尔克检验）
+
+Shapiro-Wilk  检验的核心思路是把样本按大小排序后，用一套专门系数去衡量这些次序统计量与理论正态分位点之间的线性相关程度。如果散点几乎落在一条直线上，就说明数据和正态分布非常吻合；只要出现轻微偏斜、厚尾或者一两个异常值，直线就会弯曲，检验统计量迅速下降，从而在小样本环境下也能高效地捕捉到非正态信号。由于它对各种常见偏离模式都很敏感，学术界普遍把它视为样本量不超过五十时的首选正态性判别工具。
+
+
+
+## Kolmogorov-Smirnov（柯尔莫哥洛夫-斯米尔诺夫检验）
+
+Kolmogorov-Smirnov  检验通过把样本的经验分布函数与一条完全确定参数的正态分布曲线全程重叠，寻找两者在垂直方向上的最大差距来判断拟合优劣。这个最大距离越大，说明样本整体越不像正态。其优点在于概念直观、可以一眼看出差异出现在哪个区间，并且不仅限于正态性，还能推广到任意两个分布之间的比较；不过当分布参数需要从样本估计时，必须使用 Lilliefors  修正临界值，否则容易过于宽松，而且它的注意力主要集中在分布中部，对两端的偏离相对迟钝，因此在尾部存在异常值或轻微双峰的情况下，检验功效会低于其他专门针对正态性的方法。
+
+
+
+## Anderson-Darling（安德森-达林检验）
+
+Anderson-Darling  检验同样对比经验分布与理论正态曲线，但在计算整体差异时给尾部施加了更高的权重，使得分布两端即使只有轻微偏离也会被迅速放大。这种设计让它对偏斜、双峰、厚尾以及个别极端值极其敏感，特别适合需要重点监控尾部行为的场景，例如质量管理和金融风险评估。由于统计量对异常值反应强烈，在实际应用中建议先对数据进行异常值检查；当样本量处于二十到两百之间时，它在常见正态性检验中通常拥有最高的检验力，能够最早发现隐蔽的非正态特征。
\ No newline at end of file

radiant.data/inst/app/tools/app/stop.R

@@ -4,7 +4,7 @@
 observeEvent(input$stop_radiant, {
   shinyalert::shinyalert(
     title = "确认停止",
-    text  = "停止按钮会将所有容器都关闭！确定停止吗？",
+    text  = "停止按钮会将所有页面都关闭！确定停止吗？",
     type  = "warning",
     showCancelButton = TRUE,
     confirmButtonCol = "#d33",

radiant.quickgen/inst/app/tools/analysis/quickgen_basic_ui.R

+is.empty <- function(x, empty = "\\s*") {
+  if (is.null(x)) return(TRUE)
+  if (is.atomic(x) && length(x) == 0) return(TRUE)
+  if (!is.character(x)) return(FALSE)
+  is_not(x) ||
+    (length(x) == 1 && any(grepl(paste0("^", empty, "$"), x)))
+}
+
 make_desc_text <- function(df) {
   if (is.null(df) || nrow(df) == 0) return(i18n$t("No data available"))
   num_cols <- sapply(df, is.numeric)