基本数据分析和统计描述-平芜编程栈

（1）首先安装、载入两个拓展包并导入数据

#拓展包安装 install.packages('table1') install.packages('lubridate') library('table1') library('lubridate') #载入数据 load('diagnosis.Rdata')

（2）进行一些分析前处理

#新生成一个分类变量，主要是检查年度的，以便后续展示 data.wide$TestA.year <- as.factor(ifelse(year(data.wide$TestA.date)<2009,'<2009', ifelse(year(data.wide$TestA.date) == 2009,'=2009','>2009'))) #attach 这个数据框，这样可以告诉R以后的分析都是用这个数据框，就不用重复输入这个数据框的名称了 attach(data.wide)

一、分析一个变量的分布

（一）分类变量

1、给分类变量加上标签

#给分类变量加上label，即告诉R每一个数字对应的类别的含义 data.wide$Status <- factor(data.wide$Status, levels = c(0,1), labels = c('No Disease','Disease')) data.wide$Sex <- factor(data.wide$Sex, levels = c(0,1), labels = c('Male','Female'))

2、描述分类变量的统计量：频数、百分比

#频数 mytable_Sex <- table(Sex) mytable_Sex #百分比 prop.table(mytable_Sex) #百分比的假设检验,H0: 男性的比例为50% , 这里P=0.5表示我们的检验目标为50% prop.test(mytable_Sex,p=0.5)

> #频数 > mytable_Sex <- table(Sex) > mytable_Sex Sex Male Female 52 48 > #百分比 > prop.table(mytable_Sex) Sex Male Female 0.52 0.48 > #百分比的假设检验,H0: 男性的比例为50% , 这里P=0.5表示我们的检验目标为50% > prop.test(mytable_Sex,p=0.5) 1-sample proportions test with continuity correction data: mytable_Sex, null probability 0.5 X-squared = 0.09, df = 1, p-value = 0.7642 alternative hypothesis: true p is not equal to 0.5 95 percent confidence interval: 0.4183183 0.6201278 sample estimates: p 0.52

（二）连续变量

1、描述变量分布的统计量

均值、标准差、中位数、四分位距、极差

#连续变量的统计描述 summary(Age)

> #连续变量的统计描述 > summary(Age) Min. 1st Qu. Median Mean 3rd Qu. Max. 18.41 33.59 39.63 39.79 45.38 71.71

2、t检验

（当变量服从正态分布时），想要知道某个连续变量的均值，是否等于某个标准值，可以使用t检验

#t 检验,H0:平均年龄为35岁 t.test(Age,mu=35)

> t.test(Age,mu=35) One Sample t-test data: Age t = 4.6678, df = 99, p-value = 9.569e-06 alternative hypothesis: true mean is not equal to 35 95 percent confidence interval: 37.75321 41.82459 sample estimates: mean of x 39.7889

t：t统计量
df：自由度
p-value:P值
alternative hypothesis：备择假设
95 percent confidence interval:95%置信区间
mean of x：样本均值

3、Wilcoxon符号秩检验

（当变量不服从正态分布时）

#wilcoxon符号秩检验，H0：平均年龄为35 wilcox.test(Age,mu =35)

> #wilcoxon符号秩检验，H0：平均年龄为35 > wilcox.test(Age,mu =35) Wilcoxon signed rank test with continuity correction data: Age V = 3773.5, p-value = 1.778e-05 alternative hypothesis: true location is not equal to 35

二、分析两个变量的关系（组间比较）

1、分类变量&分类变量

例如分析：患病和性别的关系
分析方法：列联表和卡方检验（检验）

#分类变量间的卡方检验 #列联表 mytable <- table(Sex,Status) mytable #卡方检验 chisq.test(mytable)

> #分类变量间的卡方检验 > #列联表 > mytable <- table(Sex,Status) > mytable Status Sex No Disease Disease Male 37 15 Female 23 25 > #卡方检验 > chisq.test(mytable) Pearson's Chi-squared test with Yates' continuity correction data: mytable X-squared = 4.6892, df = 1, p-value = 0.03035

2、连续变量&分类变量

（1）（正态分布）&（二分类）

例如：年龄和性别的关系
分析方法：t检验

#正态分布&二分类,假设两组组间方差齐 t.test(Age ~ Sex,var.equal = TRUE)

> #正态分布&二分类,假设两组组间方差齐 > t.test(Age ~ Sex,var.equal = TRUE) Two Sample t-test data: Age by Sex t = -2.4941, df = 98, p-value = 0.0143 alternative hypothesis: true difference in means between group Male and group Female is not equal to 0 95 percent confidence interval: -8.963487 -1.019910 sample estimates: mean in group Male mean in group Female 37.39288 42.38458

（2）（非正态分布）&（二分类）

例如：某检验指标值与性别的关系
分析方法：Mann-Whitney U检验（Wilcoxon秩和检验）
注意：检验的是两组的“分布”而不是均值

#非正态分布&二分类 wilcox.test(TestA ~ Sex)

> #非正态分布&二分类 > wilcox.test(TestA ~ Sex) Wilcoxon rank sum test with continuity correction data: TestA by Sex W = 922, p-value = 0.02472 alternative hypothesis: true location shift is not equal to 0

（3）（正态分布）&（多分类变量）

例如：检查某指标值（log转换后）&和检查年度的关系
分析方法：单变量方差分析（ANOVA）

#正态分布&多分类变量 fit <- aov(log(TestA) ~ TestA.year) model.tables(fit,"means") summary(fit)

> #正态分布&多分类变量 > fit <- aov(log(TestA) ~ TestA.year) > model.tables(fit,"means") Tables of means Grand mean 1.479017 TestA.year <2009 =2009 >2009 1.523 1.397 1.556 rep 36.000 41.000 23.000 > summary(fit) Df Sum Sq Mean Sq F value Pr(>F) TestA.year 2 0.48 0.2415 0.286 0.752 Residuals 97 81.97 0.8451

（4）（非正态分布）&多分类变量

例如：检查指标值和检查年度的关系
分析方法：Kruskal-Wallis检验

#非正态分布&多分类变量 kruskal.test(TestA ~ TestA.year)

> #非正态分布&多分类变量 > kruskal.test(TestA ~ TestA.year) Kruskal-Wallis rank sum test data: TestA by TestA.year Kruskal-Wallis chi-squared = 0.225, df = 2, p-value = 0.8936

3、连续变量&连续变量

例如：指标值与年龄

（1）两个连续变量均服从正态分布

Pearson相关系数

#Pearson相关系数 cor(TestA,TestB,method = "pearson") cor.test(TestA,TestB,method = "pearson")

> #Pearson相关系数 > cor(TestA,TestB,method = "pearson") [1] 0.3480745 > cor.test(TestA,TestB,method = "pearson") Pearson's product-moment correlation data: TestA and TestB t = 3.6756, df = 98, p-value = 0.0003872 alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: 0.1627858 0.5096489 sample estimates: cor 0.3480745

（2）两个连续变量不均服从正态分布

Spearman相关系数

#spearman相关系数 cor(TestA,TestB,method = "spearman")

> #spearman相关系数 > cor(TestA,TestB,method = "spearman") [1] 0.3769439

4、小结

要分析的变量	数值变量	正态分布	t检验	t检验	单因素方差分析
	数值变量	非正态分布	wilcoxon 符号秩检验	Mann-Whitney U检验	Kruskal=Wallis检验
	分类变量	二分类	z检验	卡方检验	卡方检验
	分类变量	多分类	z检验	卡方检验	卡方检验
检验对照表			1	二分类	多分类
检验对照表			1	分类变量

三、描述统计和基本特征表（Table1）

（1）基本特征表

使用table1包，自动生成基本特征表

#总体特征表 table1(~ Status+Sex+Age+TestA+TestB+TestC+TestA.year,data = data.wide) #分组特征表 table1(~Sex+Age+TestA+TestB+TestC+TestA.year|Status,data = data.wide)

（2）在特征表中加入单位

# add units to table 1 units(data.wide$Age) <- "years" table1(~ Sex + Age + TestA + TestB + TestC + TestA.year| Status, data=data.wide)

（3）在特征表中加入更多的统计数据

# add more statistics to table 1 table1(~ Sex + Age + TestA + TestB + TestC + TestA.year| Status, data=data.wide, render.continuous=c(.="Mean (SD)", .="Median [Min, Max]",.="Median [Q1, Q3]",.="Median [IQR]"))

（4）在特征表中加入P值

# add p value load('diagnosis.RData') data.wide$Status <- factor(data.wide$Status, levels=c(0, 1, 2), labels=c("No Disease", "Disease", "P-value")) data.wide$Sex <- factor(data.wide$Sex, levels=c(0,1), labels=c("Male", "Female")) # creat P values data <- data.wide outcome <- data.wide$Status rndr <- function(x, name, ...) { if (length(x) == 0) { y <- data[[name]] s <- rep("", length(render.default(x=y, name=name, ...))) if (is.numeric(y)) { p <- t.test(y ~ outcome)$p.value } else { p <- chisq.test(table(y, droplevels(outcome)))$p.value } s[2] <- sub("<", "&lt;", format.pval(p, digits=3, eps=0.001)) s } else { render.default(x=x, name=name, ...) } } rndr.strat <- function(label, n, ...) { ifelse(n==0, label, render.strat.default(label, n, ...)) } # make table 1 table1(~ Sex + Age + TestA + TestB + TestC | Status, data=data.wide, render.continuous=c(.="Mean (SD)"),droplevels=F, render=rndr, render.strat=rndr.strat, overall=F)

#以上内容均来自医咖会R语言基础课程的课程笔记，仅供参考