Logistic回归全流程代码，包含:导入数据 数据划分 基线表生成 LASSO回归 批量单因素logistic 多因素logistic 列线图 ROC 校准曲线 DCA
本文档详细介绍一套基于R语言的Logistic回归全流程分析代码，该代码覆盖从数据导入到变量筛选的核心环节，适用于医学、社会学等领域的二分类结局变量研究，可帮助研究者高效完成数据预处理、基线特征分析与变量初筛，为后续多因素回归建模、模型验证奠定基础。
一、核心功能概览
该代码以“数据处理-特征分析-变量筛选”为核心逻辑，整合7个关键模块，其中“导入数据-数据划分-基线表生成-LASSO回归-批量单因素Logistic回归”为核心分析链，各模块功能独立且衔接紧密，支持研究者根据需求灵活调整参数，输出标准化结果与可视化图表。
二、分模块功能详解
（一）模块1：导入数据与格式转换
1. 核心目标
实现外部数据读取与数据类型标准化，解决分类变量在建模中无法识别的问题，同时检测数据质量（缺失值）。
2. 关键操作
- 工作目录设置：通过
setwd(path)指定数据存储路径（需用户替换为实际路径，如"D:/Data/"），确保R语言能准确定位文件。 - 数据读取：使用
read.csv("csv文件.csv")读取CSV格式数据，用户需将"csv文件.csv"替换为实际数据文件名（如"cancer_data.csv"）。 - 变量类型转换：借助
dplyr包的transmute()函数，将分类变量（如性别Sex、年龄Age、肿瘤分期T/N/M等）转换为factor类型，并指定因子水平顺序（如Age的水平为c('65-80','>80')），数值变量保持原始类型；同时将结局变量y放在第1列，减少后续代码改动。 - 缺失值检测：通过
VIM包的aggr()函数，以可视化图表（红色标注缺失值）展示各变量的缺失比例（prop=T显示占比，numbers=T显示具体数量），帮助研究者判断是否需要进行缺失值填补（如多重插补、删除等）。
3. 注意事项
此模块是后续分析的基础，分类变量的因子水平设置需与实际业务逻辑一致（如肿瘤分级Grade的水平为c('I','II','III','IV')），若数据中存在其他分类变量（如Smoking），需手动添加到transmute()函数中。
（二）模块2：数据划分
1. 核心目标
将数据集按比例划分为训练集（用于建模）与测试集（用于后续模型验证），确保两组数据分布均衡，避免模型过拟合。
2. 关键操作
- 随机数种子设置：通过
set.seed(1)固定随机数生成规则，保证数据划分结果可重复（若需更换划分结果，可修改种子值，如set.seed(123)）。 - 按结局变量分层划分：使用
caret包的createDataPartition()函数，按结局变量y的分布比例（分层抽样）划分数据，默认比例为7:3（p=0.7，70%为训练集，30%为测试集）。 - 训练集/测试集提取：通过索引
num$Resample1提取训练集（train = dt[num$Resample1,]），通过负索引-num$Resample1提取测试集（test= dt[-num$Resample1,]）。
3. 核心价值
分层抽样可避免因结局变量分布不均导致的训练集/测试集偏差（如病例组与对照组比例失衡），为后续基线表均衡性检验提供基础。
（三）模块3：基线表生成
1. 核心目标
生成训练集与测试集的基线特征表，检验两组数据的临床/人口学特征是否均衡（P>0.05表示均衡），确保数据划分合理。
2. 关键操作
- 数据集合并：为训练集（
train$g = 't'）与测试集（test$g = 'v'）添加分组标记g，通过rbind()函数合并为dg数据集，便于分层汇总。 - 基线表参数设置：
- 借助
tableone包的CreateTableOne()函数，指定需汇总的变量（myVars，如Sex、Age、Surgery等）、分层变量（strata = "g"，按训练集/测试集分层）、分类变量（factorVars = catVars，与myVars一致，确保分类变量按频数/百分比展示）； - 启用
addOverall = TRUE，在基线表中添加“总人群”列，便于整体特征查看。 - 结果输出与导出：
- 通过
print()函数调整输出格式（如catDigits=2设置分类变量百分比保留2位小数，pDigits=3设置P值保留3位小数）； - 使用
write.csv()将基线表结果导出为CSV文件（"Table1-基线表.csv"），研究者可直接用于论文表格制作。
3. 核心判断标准
基线表中所有变量的组间比较P>0.05，说明训练集与测试集特征均衡，数据划分合理；若存在P<0.05的变量，需重新检查数据划分逻辑（如调整抽样比例、增加样本量）或在后续建模中纳入该变量作为协变量。
（四）模块4：变量筛选（LASSO回归+批量单因素Logistic回归）
此模块提供两种变量筛选方法（二选一即可），目的是从众多自变量中筛选出与结局变量相关的核心变量，减少多因素回归模型的冗余变量，提升模型稳定性。
方法1：LASSO回归（基于正则化的变量筛选）
1. 核心原理
LASSO（最小绝对收缩与选择算子）通过在损失函数中加入L1正则化项，对变量系数进行压缩，使部分变量系数变为0，从而实现变量选择，适用于自变量较多（如超过20个）或存在多重共线性的场景。
2. 关键操作
- 数据格式转换：使用
model.matrix()函数将训练集中的分类自变量转换为哑变量（自动处理因子变量，避免手动构建哑变量的繁琐），并删除截距列（[,-1]）；通过data.matrix()将哑变量矩阵与结局变量y转换为glmnet包要求的矩阵格式。 - LASSO模型拟合：调用
glmnet包的glmnet()函数，设置family = "binomial"（二分类Logistic回归）、alpha = 1（LASSO回归，alpha=0为岭回归），拟合模型并通过plot(fit, xvar="lambda")绘制“系数-λ值”曲线（λ为正则化参数，λ越小系数越复杂，λ越大系数越简洁）。 - 交叉验证选择最优λ：使用
cv.glmnet()函数进行10折交叉验证（nfolds=10），通过plot(cv.fit)绘制交叉验证曲线，曲线最低点对应“最小λ值（lambda.min）”（模型误差最小），最低点1个标准误差范围内的λ值（lambda.1se）对应“最简洁模型”。 - 筛选变量提取：通过
coef(cv.fit, s="lambda.min")查看最优λ值下的变量系数，系数非0的变量即为筛选出的核心变量；使用row.names(Coefficients)[Index]（Index为系数非0的索引）提取变量名，可直接用于后续多因素回归。
方法2：批量单因素Logistic回归（基于统计显著性的变量筛选）
1. 核心原理
通过对每个自变量单独构建Logistic回归模型，计算其与结局变量的关联强度（OR值、95%CI）及统计显著性（P值），筛选出P<0.05（或其他阈值）的变量，适用于自变量较少、需明确单变量关联的场景。
2. 关键操作
- 自定义批量回归函数：编写
Uni_log()函数，实现单因素回归的自动化： - 动态构建回归公式（
formu<-as.formula(paste0 ("y~",x))，x为单个自变量）； - 调用
glm()函数拟合单因素Logistic回归（family=binomial(link ="logit")）； - 提取关键结果：OR值（
exp(coef(log1))）、95%CI（exp(CF±1.96*SE)）、P值（log2$coefficients[,4]），并整理为数据框格式。 - 批量执行与结果汇总：
- 提取训练集中的自变量名称（
var.names<-colnames(train)[c(2:length(train))]，排除第1列的结局变量y）； - 使用
lapply()函数批量执行Uni_log()，并通过plyr包的ldply()函数将列表结果转换为数据框（results）； - 导出结果：通过
write.csv()将单因素结果导出为CSV文件（"Table2-单因素.csv"），包含变量名称、水平、OR值、95%CI、P值。 - 筛选变量提取：通过
paste0(unique(results$Characteristics[ results$p<0.05]), collapse ="+")提取P<0.05的变量，构建多因素回归公式（mult_form），直接用于后续多因素建模。
3. 两种方法的选择建议
- 若自变量较多（如>15个）或存在多重共线性（如
T分期与肿瘤大小），优先选择LASSO回归，可有效压缩冗余变量； - 若自变量较少（如<10个）或需展示单变量与结局的关联（如论文Table2），优先选择批量单因素回归，结果更易解释。
三、代码使用流程与注意事项
1. 使用流程
- 安装依赖包：运行代码前需先安装所有用到的包，执行以下代码：
install.packages(c("dplyr", "VIM", "caret", "tableone", "glmnet", "plyr", "rms", "pROC", "ggDCA", "ggprism", "ggplot2"))- 模块1：替换数据路径与文件名，调整分类变量列表，检测缺失值；
- 模块2：确认数据划分比例（默认7:3），执行分层抽样；
- 模块3：生成基线表，检验训练集/测试集均衡性（
P>0.05为合格）； - 模块4：选择LASSO回归或批量单因素回归，筛选核心变量；
- 后续步骤：基于筛选的变量进行多因素Logistic回归、列线图绘制、ROC/校准/DCA曲线验证（代码中已包含，可继续执行）。
2. 注意事项
- 结局变量
y：需确保y为二分类变量（如0=无事件，1=有事件），且在模块1中放在第1列； - 变量名与水平：分类变量的因子水平需与数据实际情况一致（如
Race的水平若包含"Asian"，需修改为c('White','Black','Asian','Other')）； - 结果导出：所有表格（基线表、单因素结果）均导出为CSV格式，可直接用Excel打开编辑，图表（如ROC曲线、列线图）需取消代码中的注释（删除
#tiff(...)和#dev.off()前的#），指定保存路径后生成高清图片（分辨率600dpi）。
四、代码应用场景
该代码适用于二分类结局的预测模型研究，典型场景包括：
- 医学研究：如肿瘤预后模型（结局为“3年生存率”，自变量为年龄、分期、治疗方式等）、疾病诊断模型（结局为“患病/未患病”，自变量为症状、实验室指标等）；
- 社会学研究：如贫困风险预测（结局为“贫困/非贫困”，自变量为收入、教育水平、家庭结构等）；
- 商业分析：如客户流失预测（结局为“流失/未流失”，自变量为消费频率、会员等级、投诉记录等）。
通过该代码，研究者可快速完成从数据预处理到变量筛选的全流程，为后续模型构建与验证提供标准化、可重复的分析框架，大幅提升研究效率。
)
