重庆分公司
重庆分公司，新征程启航
为企业提供网站建设、域名注册、服务器等服务
怎么进行大数据中R语言的生存分析
本篇文章为大家展示了怎么进行大数据中R语言的生存分析，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。
创新互联公司主要从事成都网站设计、网站制作、网页设计、企业做网站、公司建网站等业务。立足成都服务阳朔,十年网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:028-86922220
根据上面的生存分析的介绍可以大概的了解了生存分析的概念和原理以及KM曲线的绘制。但是生存分析中COX回归的结果不容易直接输出，下面简单的介绍一种自定义函数，批量并且规则的输出结果的方式。
#载入所需的R包
library("survival")library("survminer") #载入并查看数据集
data("lung")head(lung)inst time status age sex ph.ecog ph.karno pat.karno meal.cal wt.loss1 3 306 2 74 1 1 90 100 1175 NA2 3 455 2 68 1 0 90 90 1225 153 3 1010 1 56 1 0 90 90 NA 154 5 210 2 57 1 1 90 60 1150 115 1 883 2 60 1 0 100 90 NA 06 12 1022 1 74 1 1 50 80 513 0
#cox 回归分析
res.cox <- coxph(Surv(time, status) ~ sex, data = lung)res.coxsummary(res.cox)Call:coxph(formula = Surv(time, status) ~ sex, data = lung) n= 228, number of events= 165 coef exp(coef) se(coef) z Pr(>|z|) sex -0.5310 0.5880 0.1672 -3.176 0.00149 **---Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 exp(coef) exp(-coef) lower .95 upper .95sex 0.588 1.701 0.4237 0.816Concordance= 0.579 (se = 0.022 )Rsquare= 0.046 (max possible= 0.999 )Likelihood ratio test= 10.63 on 1 df, p=0.001111Wald test = 10.09 on 1 df, p=0.001491Score (logrank) test = 10.33 on 1 df, p=0.001312
COX回归的结果中需要提取HR，HR的置信区间，wald.test和 p.value的信息，最简单的是在summary结果中进行复制粘贴，当然效率很低。假设当变量成百上前后，会发生什么呢？
--------------------复制粘贴N*成百上千次！！！
还可以构建自定义函数，数据框的形式一次输出所有变量的COX回归结果
#查看待分析的变量
covariates <- names(lung[,4:10])covariates[1] "age" "sex" "ph.ecog" "ph.karno" "pat.karno" "meal.cal" "wt.loss"
#构建自定义函数，以数据框形式输出结果
univ_formulas <- sapply(covariates, function(x) as.formula(paste('Surv(time, status)~', x))) #设定函数输出的信息
univ_models <- lapply( univ_formulas, function(x){coxph(x, data = lung)})# Extract data univ_results <- lapply(univ_models, function(x){ x <- summary(x) p.value<-signif(x$wald["pvalue"], digits=2) wald.test<-signif(x$wald["test"], digits=2) beta<-signif(x$coef[1], digits=2);#coeficient beta HR <-signif(x$coef[2], digits=2);#exp(beta) HR.confint.lower <- signif(x$conf.int[,"lower .95"], 2) HR.confint.upper <- signif(x$conf.int[,"upper .95"],2) HR <- paste0(HR, " (", HR.confint.lower, "-", HR.confint.upper, ")") res<-c(beta, HR, wald.test, p.value) names(res)<-c("beta", "HR (95% CI for HR)", "wald.test", "p.value") return(res) #return(exp(cbind(coef(x),confint(x)))) }) #输出所有变量的COX结果
res <- t(as.data.frame(univ_results, check.names = FALSE))as.data.frame(res)beta HR (95% CI for HR) wald.test p.valueage 0.019 1 (1-1) 4.1 0.042sex -0.53 0.59 (0.42-0.82) 10 0.0015ph.ecog 0.48 1.6 (1.3-2) 18 2.7e-05ph.karno -0.016 0.98 (0.97-1) 7.9 0.005pat.karno -0.02 0.98 (0.97-0.99) 13 0.00028meal.cal -0.00012 1 (1-1) 0.29 0.59wt.loss 0.0013 1 (0.99-1) 0.05 0.83
OK！可以write了，至于csv还是txt ，啦意随。。。
上述内容就是怎么进行大数据中R语言的生存分析，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注创新互联行业资讯频道。
名称栏目：怎么进行大数据中R语言的生存分析
本文链接：http://cqcxhl.com/article/joodec.html