{
  "common_test": "/research/public-data/103機能_今回実行検査.json",
  "common_test_sha256": "497143467b54cea9ba7f64ef62830db4f40c834a4050a5359164f251bdcc6a15",
  "exact_names_and_order": true,
  "missing": 0,
  "duplicate_aliases": 0,
  "applied_count": 2,
  "note": "共通試験の成功は対象データでの実行を意味しない。方法名とパッケージ名を保ち、日本語説明を併記。",
  "items": [
    {
      "order": 1,
      "pkg": "numpy",
      "domain": "土台",
      "what": "行列演算と固有値分解",
      "japanese_explanation": "行列演算と固有値分解",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "保存資料の規模と形式に標準Pythonとpandasで対応できる。機能名の操作を実行していないため利用実績に数えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 2,
      "pkg": "pandas",
      "domain": "土台",
      "what": "群別集計",
      "japanese_explanation": "群別集計",
      "common_test_ok": true,
      "status": "対象データで実行",
      "reason": "analyze.pyで地点・年または月・時刻の群別集計を実行しCSV保存。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 3,
      "pkg": "scipy",
      "domain": "検定",
      "what": "カイ二乗・t検定・Mann-Whitney",
      "japanese_explanation": "カイ二乗・t検定・Mann-Whitney",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "尺度項目や独立な抽出標本の比較設計がない。公表集計または全記録の差を有意差へ置き換えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 4,
      "pkg": "statsmodels",
      "domain": "回帰",
      "what": "重回帰とロジスティック回帰",
      "japanese_explanation": "重回帰とロジスティック回帰",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "因果同定や確率的回帰のための説明変数・比較設計がなく、今回の記述集計には用いない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 5,
      "pkg": "scikit-learn",
      "domain": "機械学習",
      "what": "k-means と主成分分析",
      "japanese_explanation": "k-means と主成分分析",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 6,
      "pkg": "pingouin",
      "domain": "心理統計",
      "what": "反復測定分散分析・Cronbachのα・媒介分析",
      "japanese_explanation": "反復測定分散分析・Cronbachのα・媒介分析",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "尺度項目や独立な抽出標本の比較設計がない。公表集計または全記録の差を有意差へ置き換えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 7,
      "pkg": "factor_analyzer",
      "domain": "心理統計",
      "what": "探索的因子分析（KMO・Bartlett・promax回転）",
      "japanese_explanation": "探索的因子分析（KMO・Bartlett・promax回転）",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "尺度項目や独立な抽出標本の比較設計がない。公表集計または全記録の差を有意差へ置き換えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 8,
      "pkg": "semopy",
      "domain": "心理統計",
      "what": "共分散構造分析（CFI/TLI/RMSEA）",
      "japanese_explanation": "共分散構造分析（CFI/TLI/RMSEA）",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "尺度項目や独立な抽出標本の比較設計がない。公表集計または全記録の差を有意差へ置き換えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 9,
      "pkg": "scikit-posthocs",
      "domain": "心理統計",
      "what": "Dunn検定（多重比較の事後検定）",
      "japanese_explanation": "Dunn検定（多重比較の事後検定）",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "尺度項目や独立な抽出標本の比較設計がない。公表集計または全記録の差を有意差へ置き換えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 10,
      "pkg": "researchpy",
      "domain": "心理統計",
      "what": "記述統計とクロス集計の要約表",
      "japanese_explanation": "記述統計とクロス集計の要約表",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "尺度項目や独立な抽出標本の比較設計がない。公表集計または全記録の差を有意差へ置き換えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 11,
      "pkg": "pyreadstat",
      "domain": "心理統計",
      "what": "SPSS(.sav)形式の読み書き",
      "japanese_explanation": "SPSS(.sav)形式の読み書き",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "尺度項目や独立な抽出標本の比較設計がない。公表集計または全記録の差を有意差へ置き換えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 12,
      "pkg": "statsmodels(MixedLM)",
      "domain": "心理統計",
      "what": "階層線形モデル・混合効果モデル",
      "japanese_explanation": "階層線形モデル・混合効果モデル",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "尺度項目や独立な抽出標本の比較設計がない。公表集計または全記録の差を有意差へ置き換えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 13,
      "pkg": "scikit-learn(IterativeImputer)",
      "domain": "予測",
      "what": "多重代入法による欠損値補完",
      "japanese_explanation": "多重代入法による欠損値補完",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 14,
      "pkg": "pymc",
      "domain": "ベイズ",
      "what": "MCMCでA/Bの事後分布を出す",
      "japanese_explanation": "MCMCでA/Bの事後分布を出す",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "因果同定や確率的回帰のための説明変数・比較設計がなく、今回の記述集計には用いない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 15,
      "pkg": "arviz",
      "domain": "ベイズ",
      "what": "収束診断（R-hat）",
      "japanese_explanation": "収束診断（R-hat）",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "因果同定や確率的回帰のための説明変数・比較設計がなく、今回の記述集計には用いない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 16,
      "pkg": "bambi",
      "domain": "ベイズ",
      "what": "式でベイズ回帰を書く",
      "japanese_explanation": "式でベイズ回帰を書く",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "因果同定や確率的回帰のための説明変数・比較設計がなく、今回の記述集計には用いない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 17,
      "pkg": "dowhy",
      "domain": "因果推論",
      "what": "因果グラフから効果を同定して推定",
      "japanese_explanation": "因果グラフから効果を同定して推定",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "因果同定や確率的回帰のための説明変数・比較設計がなく、今回の記述集計には用いない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 18,
      "pkg": "econml",
      "domain": "因果推論",
      "what": "機械学習を使った異質処置効果（Double ML）",
      "japanese_explanation": "機械学習を使った異質処置効果（Double ML）",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "因果同定や確率的回帰のための説明変数・比較設計がなく、今回の記述集計には用いない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 19,
      "pkg": "linearmodels",
      "domain": "因果推論",
      "what": "パネルデータの固定効果・操作変数法",
      "japanese_explanation": "パネルデータの固定効果・操作変数法",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "因果同定や確率的回帰のための説明変数・比較設計がなく、今回の記述集計には用いない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 20,
      "pkg": "xgboost",
      "domain": "予測",
      "what": "勾配ブースティングで回帰",
      "japanese_explanation": "勾配ブースティングで回帰",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 21,
      "pkg": "lightgbm",
      "domain": "予測",
      "what": "軽量勾配ブースティング",
      "japanese_explanation": "軽量勾配ブースティング",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 22,
      "pkg": "shap",
      "domain": "予測",
      "what": "予測の理由を寄与度に分解",
      "japanese_explanation": "予測の理由を寄与度に分解",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 23,
      "pkg": "optuna",
      "domain": "予測",
      "what": "ハイパーパラメータの自動探索",
      "japanese_explanation": "ハイパーパラメータの自動探索",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 24,
      "pkg": "imbalanced-learn",
      "domain": "予測",
      "what": "不均衡データのオーバーサンプリング(SMOTE)",
      "japanese_explanation": "不均衡データのオーバーサンプリング(SMOTE)",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 25,
      "pkg": "category_encoders",
      "domain": "予測",
      "what": "カテゴリ変数の高度な符号化",
      "japanese_explanation": "カテゴリ変数の高度な符号化",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 26,
      "pkg": "feature-engine",
      "domain": "予測",
      "what": "特徴量の前処理パイプライン",
      "japanese_explanation": "特徴量の前処理パイプライン",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 27,
      "pkg": "yellowbrick",
      "domain": "予測",
      "what": "学習曲線・残差プロットの可視化",
      "japanese_explanation": "学習曲線・残差プロットの可視化",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 28,
      "pkg": "prophet",
      "domain": "時系列",
      "what": "季節性つきの需要予測",
      "japanese_explanation": "季節性つきの需要予測",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 29,
      "pkg": "pmdarima",
      "domain": "時系列",
      "what": "ARIMAの次数を自動選択",
      "japanese_explanation": "ARIMAの次数を自動選択",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 30,
      "pkg": "statsforecast",
      "domain": "時系列",
      "what": "複数モデルの一括予測",
      "japanese_explanation": "複数モデルの一括予測",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 31,
      "pkg": "arch",
      "domain": "時系列",
      "what": "GARCH（ボラティリティの変動）",
      "japanese_explanation": "GARCH（ボラティリティの変動）",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 32,
      "pkg": "ruptures",
      "domain": "時系列",
      "what": "変化点の検出（いつ傾向が変わったか）",
      "japanese_explanation": "変化点の検出（いつ傾向が変わったか）",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 33,
      "pkg": "sktime",
      "domain": "時系列",
      "what": "時系列の分類・予測フレームワーク",
      "japanese_explanation": "時系列の分類・予測フレームワーク",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 34,
      "pkg": "tslearn",
      "domain": "時系列",
      "what": "時系列のクラスタリング（DTW距離）",
      "japanese_explanation": "時系列のクラスタリング（DTW距離）",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 35,
      "pkg": "lifelines",
      "domain": "生存分析",
      "what": "Kaplan-MeierとCox比例ハザード",
      "japanese_explanation": "Kaplan-MeierとCox比例ハザード",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "追跡開始・終了・打切りの情報を持つ対象者別追跡記録ではない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 36,
      "pkg": "scikit-survival",
      "domain": "生存分析",
      "what": "機械学習による生存時間予測",
      "japanese_explanation": "機械学習による生存時間予測",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "追跡開始・終了・打切りの情報を持つ対象者別追跡記録ではない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 37,
      "pkg": "mlxtend",
      "domain": "マーケティング",
      "what": "併売分析（アソシエーションルール）",
      "japanese_explanation": "併売分析（アソシエーションルール）",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 38,
      "pkg": "umap-learn",
      "domain": "マーケティング",
      "what": "高次元データを2次元に圧縮して可視化",
      "japanese_explanation": "高次元データを2次元に圧縮して可視化",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 39,
      "pkg": "hdbscan",
      "domain": "マーケティング",
      "what": "クラスタ数を決めずにセグメントを見つける",
      "japanese_explanation": "クラスタ数を決めずにセグメントを見つける",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 40,
      "pkg": "janome",
      "domain": "テキスト",
      "what": "日本語の形態素解析",
      "japanese_explanation": "日本語の形態素解析",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "数値表が分析対象であり、本文の分類や関係ネットワークを分析しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 41,
      "pkg": "fugashi",
      "domain": "テキスト",
      "what": "MeCab系の高速な形態素解析",
      "japanese_explanation": "MeCab系の高速な形態素解析",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "数値表が分析対象であり、本文の分類や関係ネットワークを分析しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 42,
      "pkg": "sudachipy",
      "domain": "テキスト",
      "what": "分割単位を選べる形態素解析（企業名に強い）",
      "japanese_explanation": "分割単位を選べる形態素解析（企業名に強い）",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "数値表が分析対象であり、本文の分類や関係ネットワークを分析しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 43,
      "pkg": "gensim",
      "domain": "テキスト",
      "what": "トピックモデル(LDA)と単語ベクトル",
      "japanese_explanation": "トピックモデル(LDA)と単語ベクトル",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "数値表が分析対象であり、本文の分類や関係ネットワークを分析しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 44,
      "pkg": "wordcloud",
      "domain": "テキスト",
      "what": "ワードクラウドの生成",
      "japanese_explanation": "ワードクラウドの生成",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "数値表が分析対象であり、本文の分類や関係ネットワークを分析しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 45,
      "pkg": "spacy",
      "domain": "テキスト",
      "what": "係り受け解析・固有表現抽出の基盤",
      "japanese_explanation": "係り受け解析・固有表現抽出の基盤",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "数値表が分析対象であり、本文の分類や関係ネットワークを分析しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 46,
      "pkg": "textstat",
      "domain": "テキスト",
      "what": "文章の読みやすさスコア",
      "japanese_explanation": "文章の読みやすさスコア",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "数値表が分析対象であり、本文の分類や関係ネットワークを分析しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 47,
      "pkg": "networkx",
      "domain": "ネットワーク",
      "what": "共起ネットワークと中心性",
      "japanese_explanation": "共起ネットワークと中心性",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "数値表が分析対象であり、本文の分類や関係ネットワークを分析しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 48,
      "pkg": "python-louvain",
      "domain": "ネットワーク",
      "what": "コミュニティ検出",
      "japanese_explanation": "コミュニティ検出",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "数値表が分析対象であり、本文の分類や関係ネットワークを分析しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 49,
      "pkg": "igraph",
      "domain": "ネットワーク",
      "what": "大規模グラフの高速解析",
      "japanese_explanation": "大規模グラフの高速解析",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "数値表が分析対象であり、本文の分類や関係ネットワークを分析しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 50,
      "pkg": "matplotlib",
      "domain": "可視化",
      "what": "図の生成とPNG保存",
      "japanese_explanation": "図の生成とPNG保存",
      "common_test_ok": true,
      "status": "対象データで実行",
      "reason": "figure.pngの白黒日本語図を生成して保存。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 51,
      "pkg": "seaborn",
      "domain": "可視化",
      "what": "統計グラフ（箱ひげ・分布）",
      "japanese_explanation": "統計グラフ（箱ひげ・分布）",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "白黒静止図をmatplotlibで生成する。対話表示・画像特徴抽出・検定注記を必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 52,
      "pkg": "plotly",
      "domain": "可視化",
      "what": "対話できるグラフ（HTML出力）",
      "japanese_explanation": "対話できるグラフ（HTML出力）",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "白黒静止図をmatplotlibで生成する。対話表示・画像特徴抽出・検定注記を必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 53,
      "pkg": "missingno",
      "domain": "可視化",
      "what": "欠損パターンの可視化",
      "japanese_explanation": "欠損パターンの可視化",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "白黒静止図をmatplotlibで生成する。対話表示・画像特徴抽出・検定注記を必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 54,
      "pkg": "scikit-image",
      "domain": "可視化",
      "what": "画像の特徴量抽出",
      "japanese_explanation": "画像の特徴量抽出",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "白黒静止図をmatplotlibで生成する。対話表示・画像特徴抽出・検定注記を必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 55,
      "pkg": "duckdb",
      "domain": "データ処理",
      "what": "CSVに直接SQLを当てる",
      "japanese_explanation": "CSVに直接SQLを当てる",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "保存資料の規模と形式に標準Pythonとpandasで対応できる。機能名の操作を実行していないため利用実績に数えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 56,
      "pkg": "polars",
      "domain": "データ処理",
      "what": "pandasより高速な表処理",
      "japanese_explanation": "pandasより高速な表処理",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "保存資料の規模と形式に標準Pythonとpandasで対応できる。機能名の操作を実行していないため利用実績に数えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 57,
      "pkg": "pyarrow",
      "domain": "データ処理",
      "what": "Parquet形式の読み書き",
      "japanese_explanation": "Parquet形式の読み書き",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "保存資料の規模と形式に標準Pythonとpandasで対応できる。機能名の操作を実行していないため利用実績に数えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 58,
      "pkg": "openpyxl",
      "domain": "データ処理",
      "what": "Excelの読み書き",
      "japanese_explanation": "Excelの読み書き",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "保存資料の規模と形式に標準Pythonとpandasで対応できる。機能名の操作を実行していないため利用実績に数えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 59,
      "pkg": "SALib",
      "domain": "感度分析",
      "what": "どの入力が結果を動かすか（感度分析）",
      "japanese_explanation": "どの入力が結果を動かすか（感度分析）",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "制約付き意思決定モデルや確率分布モデルを定義していない。基準年・分母変更の再計算と確率的感度分析を混同しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 60,
      "pkg": "openturns",
      "domain": "感度分析",
      "what": "確率モデル・信頼性工学",
      "japanese_explanation": "確率モデル・信頼性工学",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "制約付き意思決定モデルや確率分布モデルを定義していない。基準年・分母変更の再計算と確率的感度分析を混同しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 61,
      "pkg": "causal-learn",
      "domain": "因果推論",
      "what": "PC法で条件付き独立性から因果候補グラフを探索",
      "japanese_explanation": "PC法で条件付き独立性から因果候補グラフを探索",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "因果同定や確率的回帰のための説明変数・比較設計がなく、今回の記述集計には用いない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 62,
      "pkg": "cvxpy",
      "domain": "最適化",
      "what": "制約付き二次計画で配分の最適値を求める",
      "japanese_explanation": "制約付き二次計画で配分の最適値を求める",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "制約付き意思決定モデルや確率分布モデルを定義していない。基準年・分母変更の再計算と確率的感度分析を混同しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 63,
      "pkg": "highspy",
      "domain": "最適化",
      "what": "HiGHSで線形計画の費用最小配分を解く",
      "japanese_explanation": "HiGHSで線形計画の費用最小配分を解く",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "制約付き意思決定モデルや確率分布モデルを定義していない。基準年・分母変更の再計算と確率的感度分析を混同しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 64,
      "pkg": "sympy",
      "domain": "数式",
      "what": "連立方程式を記号計算で厳密に解く",
      "japanese_explanation": "連立方程式を記号計算で厳密に解く",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "加減乗除と集計で再現でき、記号計算・微分・実行高速化は必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 65,
      "pkg": "autograd",
      "domain": "数値計算",
      "what": "自動微分で損失関数の勾配を求める",
      "japanese_explanation": "自動微分で損失関数の勾配を求める",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "加減乗除と集計で再現でき、記号計算・微分・実行高速化は必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 66,
      "pkg": "numdifftools",
      "domain": "数値計算",
      "what": "数値微分で非線形関数の二階微分を検証",
      "japanese_explanation": "数値微分で非線形関数の二階微分を検証",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "加減乗除と集計で再現でき、記号計算・微分・実行高速化は必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 67,
      "pkg": "numba",
      "domain": "高速計算",
      "what": "JITコンパイルで大量の平方和を計算",
      "japanese_explanation": "JITコンパイルで大量の平方和を計算",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "加減乗除と集計で再現でき、記号計算・微分・実行高速化は必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 68,
      "pkg": "numexpr",
      "domain": "高速計算",
      "what": "配列式を評価して条件別の派生指標を作る",
      "japanese_explanation": "配列式を評価して条件別の派生指標を作る",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "加減乗除と集計で再現でき、記号計算・微分・実行高速化は必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 69,
      "pkg": "sparse",
      "domain": "データ処理",
      "what": "疎行列で高次元の非ゼロ要素と集計を保持",
      "japanese_explanation": "疎行列で高次元の非ゼロ要素と集計を保持",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "保存資料の規模と形式に標準Pythonとpandasで対応できる。機能名の操作を実行していないため利用実績に数えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 70,
      "pkg": "xarray",
      "domain": "データ処理",
      "what": "ラベル付き多次元配列を地域・年で集計",
      "japanese_explanation": "ラベル付き多次元配列を地域・年で集計",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "保存資料の規模と形式に標準Pythonとpandasで対応できる。機能名の操作を実行していないため利用実績に数えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 71,
      "pkg": "xarray-einstats",
      "domain": "記述統計",
      "what": "多次元配列の調和平均を次元名で計算",
      "japanese_explanation": "多次元配列の調和平均を次元名で計算",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "保存資料の規模と形式に標準Pythonとpandasで対応できる。機能名の操作を実行していないため利用実績に数えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 72,
      "pkg": "formulaic",
      "domain": "回帰",
      "what": "式からカテゴリ交互作用を含む設計行列を生成",
      "japanese_explanation": "式からカテゴリ交互作用を含む設計行列を生成",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "因果同定や確率的回帰のための説明変数・比較設計がなく、今回の記述集計には用いない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 73,
      "pkg": "patsy",
      "domain": "回帰",
      "what": "統計式からスプラインを含む設計行列を生成",
      "japanese_explanation": "統計式からスプラインを含む設計行列を生成",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "因果同定や確率的回帰のための説明変数・比較設計がなく、今回の記述集計には用いない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 74,
      "pkg": "pyhdfe",
      "domain": "因果推論",
      "what": "高次元固定効果を吸収して残差化",
      "japanese_explanation": "高次元固定効果を吸収して残差化",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "因果同定や確率的回帰のための説明変数・比較設計がなく、今回の記述集計には用いない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 75,
      "pkg": "nltk",
      "domain": "テキスト",
      "what": "正規表現トークン化と頻度分布を作る",
      "japanese_explanation": "正規表現トークン化と頻度分布を作る",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "数値表が分析対象であり、本文の分類や関係ネットワークを分析しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 76,
      "pkg": "pydot",
      "domain": "ネットワーク",
      "what": "分析工程の有向グラフを構築しDOTへ出力",
      "japanese_explanation": "分析工程の有向グラフを構築しDOTへ出力",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "数値表が分析対象であり、本文の分類や関係ネットワークを分析しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 77,
      "pkg": "pyvis",
      "domain": "ネットワーク",
      "what": "対話型ネットワーク図をHTMLとして生成",
      "japanese_explanation": "対話型ネットワーク図をHTMLとして生成",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "数値表が分析対象であり、本文の分類や関係ネットワークを分析しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 78,
      "pkg": "statannotations",
      "domain": "可視化",
      "what": "群比較検定の結果を統計注記付き図へ反映",
      "japanese_explanation": "群比較検定の結果を統計注記付き図へ反映",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "白黒静止図をmatplotlibで生成する。対話表示・画像特徴抽出・検定注記を必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 79,
      "pkg": "holidays",
      "domain": "時系列",
      "what": "日本の祝日を日付特徴量へ変換",
      "japanese_explanation": "日本の祝日を日付特徴量へ変換",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 80,
      "pkg": "utilsforecast",
      "domain": "時系列",
      "what": "複数系列の予測誤差を共通定義で集計",
      "japanese_explanation": "複数系列の予測誤差を共通定義で集計",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 81,
      "pkg": "dask",
      "domain": "データ処理",
      "what": "分散DataFrameで大規模表を分割集計",
      "japanese_explanation": "分散DataFrameで大規模表を分割集計",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "保存資料の規模と形式に標準Pythonとpandasで対応できる。機能名の操作を実行していないため利用実績に数えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 82,
      "pkg": "bokeh",
      "domain": "可視化",
      "what": "Web向け対話グラフをJSONへ変換",
      "japanese_explanation": "Web向け対話グラフをJSONへ変換",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "白黒静止図をmatplotlibで生成する。対話表示・画像特徴抽出・検定注記を必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 83,
      "pkg": "altair",
      "domain": "可視化",
      "what": "宣言型文法で集計グラフ仕様を生成",
      "japanese_explanation": "宣言型文法で集計グラフ仕様を生成",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "白黒静止図をmatplotlibで生成する。対話表示・画像特徴抽出・検定注記を必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 84,
      "pkg": "plotnine",
      "domain": "可視化",
      "what": "ggplot文法で統計図を描画",
      "japanese_explanation": "ggplot文法で統計図を描画",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "白黒静止図をmatplotlibで生成する。対話表示・画像特徴抽出・検定注記を必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 85,
      "pkg": "pandera",
      "domain": "データ品質",
      "what": "表スキーマと値域を検証",
      "japanese_explanation": "表スキーマと値域を検証",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "列・重複・欠測・値域をPythonの明示的assertと独立検算で確認する。同名ライブラリを実行したとは数えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 86,
      "pkg": "pyjanitor",
      "domain": "データ処理",
      "what": "列名を統一し欠損を除いて分析可能な表へ整形",
      "japanese_explanation": "列名を統一し欠損を除いて分析可能な表へ整形",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "保存資料の規模と形式に標準Pythonとpandasで対応できる。機能名の操作を実行していないため利用実績に数えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 87,
      "pkg": "catboost",
      "domain": "予測",
      "what": "カテゴリ変数を含む勾配ブースティング回帰",
      "japanese_explanation": "カテゴリ変数を含む勾配ブースティング回帰",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 88,
      "pkg": "pyod",
      "domain": "異常検知",
      "what": "教師なし近傍法で外れ値候補を検出",
      "japanese_explanation": "教師なし近傍法で外れ値候補を検出",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 89,
      "pkg": "river",
      "domain": "予測",
      "what": "逐次学習で到着順にモデルを更新",
      "japanese_explanation": "逐次学習で到着順にモデルを更新",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 90,
      "pkg": "skforecast",
      "domain": "時系列",
      "what": "自己回帰特徴量から複数期先を予測",
      "japanese_explanation": "自己回帰特徴量から複数期先を予測",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 91,
      "pkg": "tsfresh",
      "domain": "時系列",
      "what": "長い時系列から統計特徴量を自動抽出",
      "japanese_explanation": "長い時系列から統計特徴量を自動抽出",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 92,
      "pkg": "pymannkendall",
      "domain": "時系列",
      "what": "Mann–Kendall検定で単調トレンドを判定",
      "japanese_explanation": "Mann–Kendall検定で単調トレンドを判定",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 93,
      "pkg": "filterpy",
      "domain": "時系列",
      "what": "カルマンフィルタでノイズを含む状態を逐次推定",
      "japanese_explanation": "カルマンフィルタでノイズを含む状態を逐次推定",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 94,
      "pkg": "copulas",
      "domain": "確率モデル",
      "what": "多変量分布を学習して相関を保つ合成標本を生成",
      "japanese_explanation": "多変量分布を学習して相関を保つ合成標本を生成",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "制約付き意思決定モデルや確率分布モデルを定義していない。基準年・分母変更の再計算と確率的感度分析を混同しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 95,
      "pkg": "dcor",
      "domain": "検定",
      "what": "距離相関で非線形な依存関係を測る",
      "japanese_explanation": "距離相関で非線形な依存関係を測る",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "尺度項目や独立な抽出標本の比較設計がない。公表集計または全記録の差を有意差へ置き換えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 96,
      "pkg": "hyppo",
      "domain": "検定",
      "what": "距離共分散による独立性検定を実行",
      "japanese_explanation": "距離共分散による独立性検定を実行",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "尺度項目や独立な抽出標本の比較設計がない。公表集計または全記録の差を有意差へ置き換えない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 97,
      "pkg": "prince",
      "domain": "機械学習",
      "what": "主成分分析で多変量データを低次元へ要約",
      "japanese_explanation": "主成分分析で多変量データを低次元へ要約",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 98,
      "pkg": "kmodes",
      "domain": "機械学習",
      "what": "カテゴリデータをK-modesでクラスタリング",
      "japanese_explanation": "カテゴリデータをK-modesでクラスタリング",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 99,
      "pkg": "kneed",
      "domain": "機械学習",
      "what": "クラスタ数や複雑度の折れ曲がり点を検出",
      "japanese_explanation": "クラスタ数や複雑度の折れ曲がり点を検出",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 100,
      "pkg": "datashader",
      "domain": "可視化",
      "what": "大量点を画素集約して密度図を作る",
      "japanese_explanation": "大量点を画素集約して密度図を作る",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "白黒静止図をmatplotlibで生成する。対話表示・画像特徴抽出・検定注記を必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 101,
      "pkg": "holoviews",
      "domain": "可視化",
      "what": "同じデータから対話型グラフを高水準APIで構築",
      "japanese_explanation": "同じデータから対話型グラフを高水準APIで構築",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "白黒静止図をmatplotlibで生成する。対話表示・画像特徴抽出・検定注記を必要としない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 102,
      "pkg": "minisom",
      "domain": "機械学習",
      "what": "自己組織化マップで非線形な近傍構造を二次元へ配置",
      "japanese_explanation": "自己組織化マップで非線形な近傍構造を二次元へ配置",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "予測・分類・購買の課題を設定していない。極端な観測を外れ値として削除しない。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    },
    {
      "order": 103,
      "pkg": "pykalman",
      "domain": "時系列",
      "what": "状態空間モデルでノイズを含む系列を平滑化",
      "japanese_explanation": "状態空間モデルでノイズを含む系列を平滑化",
      "common_test_ok": true,
      "status": "今回不使用",
      "reason": "短期間または測定対象が変化する集計であり、将来予測や自動的な変化点検出を行わない。暦日数の計算には標準日付処理を使う。",
      "scope": "2地点・2年の月別観測値。年差と季節別の内訳を記述し、長期傾向や店舗への効果は推定しない。"
    }
  ]
}