R语言-临床三线表 / 四六文摘

欢迎来到医科研，这里是白介素2的读书笔记，跟我一起聊临床与科研的故事。

自动生成临床三线表

按照流行病学和相关领域的标准做法是，期刊文章的第一张表格，我们通常称为“表1”，是一份表，列出按暴露程度分层的研究人群基线特征的描述性统计数据。这个包使得使用R生成这样一个表相当简单。输出格式是html(它的优点是很容易复制到Word文档中；Chrome浏览器工作得很好)。

实际上这个包还能够对表格有更多定制的功能，但这样用起来爽是需要代价的，更多的代码与CSS知识

官方文档参考资料(https://benjaminrich.github.io/table1/vignettes/table1-examples.html)

R包table1

if(!require(table1)) install.packages("table1",ask=F,update=F)## Loading required package: table1## Warning: package 'table1' was built under R version 3.6.1## ## Attaching package: 'table1'## The following objects are masked from 'package:base': ## ## units, units<-require(table1)

Example1

使用boot包中的自带数据
melanoma数据集

library(boot) ## Warning: package 'boot' was built under R version 3.6.1melanoma2 <- melanoma head(melanoma)## time status sex age year thickness ulcer ## 1 10 3 1 76 1972 6.76 1 ## 2 30 3 1 56 1968 0.65 0 ## 3 35 2 1 41 1977 1.34 0 ## 4 99 3 0 71 1968 2.90 0 ## 5 185 1 1 52 1965 12.08 1 ## 6 204 1 1 28 1971 4.84 1dim(melanoma)## [1] 205 7## input melanoma是一个数据框 ## 对我们感兴趣的变量因子化 melanoma2$status <- factor(melanoma2$status, levels=c(2,1,3), labels=c("Alive", # 第一个作为参考组 "Melanoma death", "Non-melanoma death"))

可以来绘制一个表格试试，意思就是以感兴趣的因子作为分类status，同理这个status可以是任意大家感兴趣的变量。

格式为~感兴趣的基线变量|感兴趣的分类变量,data

table1(~ factor(sex) + age + factor(ulcer) + thickness | status, data=melanoma2)

这样的表格已经可以了，但仍然可以改进
基线分类变量sex，ulcer没有很好的label，基线的连续型变量可以指定单位units,下面来improve

## 给分类变量sex指定标签 melanoma2$sex <- factor(melanoma2$sex, levels=c(1,0), labels=c("Male", "Female")) ## 给分类变量ulcer指定标签 melanoma2$ulcer <- factor(melanoma2$ulcer, levels=c(0,1), labels=c("Absent", "Present")) ## 给变量名指定标签 label(melanoma2$sex) <- "Sex" label(melanoma2$age) <- "Age" label(melanoma2$ulcer) <- "Ulceration" label(melanoma2$thickness) <- "Thickness"


## 给连续型变量指定单位

units(melanoma2$age)       <- "years"

units(melanoma2$thickness) <- "mm"

## 再增加overall统计量 table1(~ sex + age + ulcer + thickness | status, data=melanoma2, overall="Total")

细节控制

labels <- list( variables=list(sex="Sex", age="Age (years)", ulcer="Ulceration", thickness="Thickness (mm)"), groups=list("", "", "Death"))##表格上的第一级Death


# 重新给status命名标签，death放到上面去

levels(melanoma2$status) <- c("Alive", "Melanoma", "Non-melanoma")

#按想要的顺序顺序设置分组或列，

#Total放第一列,split分开status

strata <- c(list(Total=melanoma2), split(melanoma2, melanoma2$status))
# 添加渲染风格-连续型变量与分类变量展示不同

# 连续型渲染风格函数

my.render.cont <- function(x) {

    with(stats.apply.rounding(stats.default(x), digits=2), c("",

        "Mean (SD)"=sprintf("%s (&plusmn; %s)", MEAN, SD)))

}

# 分类变量渲染风格

my.render.cat <- function(x) {

    c("", sapply(stats.default(x), function(y) with(y,

        sprintf("%d (%0.0f %%)", FREQ, PCT))))

}

## 结果 ## groupsapn为分组的个数,1为Total, 1为Alive，以及2为Death ## 增加了Death的亚组 table1(strata, labels, groupspan=c(1, 1, 2), render.continuous=my.render.cont, render.categorical=my.render.cat)

Example2

自己模拟一个数据
函数式编程
…把其余参数全部传递，…的参数传递到了sample函数

f <- function(x, n, ...) factor(sample(x, n, replace=T, ...), levels=x) set.seed(427)

## 构造数据框 n <- 146 dat <- data.frame(id=1:n) dat$treat <- f(c("Placebo", "Treated"), n, prob=c(1, 2)) # 2:1 randomization dat$age <- sample(18:65, n, replace=TRUE) dat$sex <- f(c("Female", "Male"), n, prob=c(.6, .4)) # 60% female dat$wt <- round(exp(rnorm(n, log(70), 0.23)), 1) dat$wt[sample.int(n, 5)] <- NA## 加入一些缺失值 head(dat)## id treat age sex wt ## 1 1 Treated 18 Female 62.6 ## 2 2 Treated 50 Male 57.4 ## 3 3 Treated 37 Male 104.6 ## 4 4 Treated 25 Female 55.5 ## 5 5 Placebo 60 Female 58.4 ## 6 6 Treated 44 Female 41.9

标签命名
单位

## 分类变量 label(dat$age) <- "Age" label(dat$sex) <- "Sex" label(dat$wt) <- "Weight" label(dat$treat) <- "Treatment Group"


## 连续型变量

units(dat$age)   <- "years"

units(dat$wt)    <- "kg"

## 绘制默认表格 table1(~ age + sex + wt | treat, data=dat)

删除overall

table1(~ age + sex + wt | treat, data=dat, overall=F)

轻松进行多个变量分类，一键定制

table1(~ age + wt | treat*sex, data=dat)

改变顺序

table1(~ age + wt | treat*sex, data=dat)

无感兴趣变量统计表格

table1(~ treat + age + sex + wt, data=dat)

更复杂的定制

## 给原数据增加一个dose列 dat$dose <- (dat$treat != "Placebo")*sample(1:2, n, replace=T)


## 给dose加标签

dat$dose <- factor(dat$dose, labels=c("Placebo", "5 mg", "10 mg"))
## strata定制

## split指定按dose分亚组

strata <- c(split(dat, dat$dose), ##dose分组

            list("All treated"=subset(dat, treat=="Treated")), ## all treated组

            list(Overall=dat))## overall
labels <- list(

    variables=list(age=render.varlabel(dat$age),

                   sex=render.varlabel(dat$sex),

                   wt=render.varlabel(dat$wt)),

    groups=list("", "Treated", ""))## 一级分组标签

## groupspan二级分组告诉你标题栏的线包括几个变量 ## 对应groups table1(strata, labels, groupspan=c(1, 3, 1))

显示不同变量的不同统计数据

例如下面的渲染风格

age展示Median

wt展示mean

rndr <- function(x, name, ...) { if (!is.numeric(x)) return(render.categorical.default(x)) what <- switch(name, age = "Median [Min, Max]", wt = "Mean (SD)") parse.abbrev.render.code(c("", what))(x) }

table1(~ age + sex + wt | treat, data=dat, render=rndr)

改变表格的样式

内置了多个渲染风格

zebra: alternating shaded and unshaded rows (zebra stripes)
grid: show all grid lines
shade: shade the header row(s) in gray
times: use a serif font
center: center all columns, including the first which contains the row labels

## 更换表格风格，用topclass参数设置 ## zebra似乎不错

table1(~ age + sex + wt | treat, data=dat, topclass="Rtable1-zebra")

增加一列pvalue

实际上这个功能本身是没有的，但是可以通过添加一个渲染来实现

library(MatchIt) ## Warning: package 'MatchIt' was built under R version 3.6.1data(lalonde) head(lalonde)## treat age educ black hispan married nodegree re74 re75 re78 ## NSW1 1 37 11 1 0 1 1 0 0 9930.0460 ## NSW2 1 22 9 0 1 0 1 0 0 3595.8940 ## NSW3 1 30 12 1 0 0 0 0 0 24909.4500 ## NSW4 1 27 11 1 0 0 1 0 0 7506.1460 ## NSW5 1 33 8 1 0 0 1 0 0 289.7899 ## NSW6 1 22 9 1 0 0 1 0 0 4056.4940## 分类变量 lalonde$treat <- factor(lalonde$treat, levels=c(0, 1, 2), labels=c("Control", "Treatment", "P-value")) lalonde$black <- factor(lalonde$black) lalonde$hispan <- factor(lalonde$hispan) lalonde$married <- factor(lalonde$married) lalonde$nodegree <- factor(lalonde$nodegree) lalonde$black <- as.logical(lalonde$black == 1) lalonde$hispan <- as.logical(lalonde$hispan == 1) lalonde$married <- as.logical(lalonde$married == 1) lalonde$nodegree <- as.logical(lalonde$nodegree == 1)


##连续变量

label(lalonde$black)    <- "Black"

label(lalonde$hispan)   <- "Hispanic"

label(lalonde$married)  <- "Married"

label(lalonde$nodegree) <- "No high school diploma"

label(lalonde$age)      <- "Age"

label(lalonde$re74)     <- "1974 Income"

label(lalonde$re75)     <- "1975 Income"

label(lalonde$re78)     <- "1978 Income"

units(lalonde$age)      <- "years"
rndr <- function(x, name, ...) {

    if (length(x) == 0) {

        y <- lalonde[[name]]

        s <- rep("", length(render.default(x=y, name=name, ...)))

        if (is.numeric(y)) {

            p <- t.test(y ~ lalonde$treat)$p.value

        } else {

            p <- chisq.test(table(y, droplevels(lalonde$treat)))$p.value

        }

        s[2] <- sub("<", "<", 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, ...)) } ## 绘图 table1(~ age + black + hispan + married + nodegree + re74 + re75 + re78 | treat, data=lalonde, droplevels=F, render=rndr, render.strat=rndr.strat, overall=F)

本期内容就到这里，我是白介素2，下期再见。

作者：白介素2

R语言-临床三线表