用R语言遇到的一些问题。

经常看到rcs()函数，比如拟合回归时：f <- cph(S ~ rcs(age,4) + sex, x=T, y=T)。

关于RCS的理解，可以参考：Restricted cubic splines

另外，丁香园里有人给出这样的看法：

rcs全称是restricted cubic spline 即限制立方样条函数。为什么用它呢？我们在做回归拟合数据时，经常对因变量和自变量的假定是：自变量和因变量呈线性关系，logistic回归是自变量和logitP，cox是指自变量和一个h(t)变换的一个东东（记不清了，抱歉），这些假定就叫线性假定。我们做回归的时候自变量包括连续变量和ordinal variable（等级有序变量）和因变量不成线性的时候，我可以转化为分类，也可以变量log变换，还有就是spline技术，也就是引入多项式，但rcs又不是简单的引入多项式，简单的说就是引入3次方的项，这和你选择的节点有关，这样处理的结果就是可以和好的拟合数据有限制了引入项的自由度，所以Harrell （rms包的作者）推崇这种建模方法。说的很概括，具体的内容搜索rcs就可以了解。Harrell的论文也可以参考，他认为节点的位置不那么重要，而节点数目很重要。

rms中的应用：

## Not run:
options(knots=4, poly.degree=2)
# To get the old behavior of rcspline.eval knot placement (which didnt' handle
# clumping at the lowest or highest value of the predictor very well):
# options(fractied = 1.0) # see rcspline.eval for details
country <- factor(country.codes)
blood.pressure <- cbind(sbp=systolic.bp, dbp=diastolic.bp)
fit <- lrm(Y ~ sqrt(x1)*rcs(x2) + rcs(x3,c(5,10,15)) +
        lsp(x4,c(10,20)) + country + blood.pressure + poly(age,2))
# sqrt(x1) is an implicit asis variable, but limits of x1, not sqrt(x1)
# are used for later plotting and effect estimation
# x2 fitted with restricted cubic spline with 4 default knots
# x3 fitted with r.c.s. with 3 specified knots
# x4 fitted with linear spline with 2 specified knots
# country is an implied catg variable
# blood.pressure is an implied matrx variable
# since poly is not an rms function (pol is), it creates a
# matrx type variable with no automatic linearity testing
# or plotting
f1 <- lrm(y ~ rcs(x1) + rcs(x2) + rcs(x1) %ia% rcs(x2))
# %ia% restricts interactions. Here it removes terms nonlinear in
# both x1 and x2
f2 <- lrm(y ~ rcs(x1) + rcs(x2) + x1 %ia% rcs(x2))
# interaction linear in x1
f3 <- lrm(y ~ rcs(x1) + rcs(x2) + x1 %ia% x2)
# simple product interaction (doubly linear)
# Use x1 %ia% x2 instead of x1:x2 because x1 %ia% x2 triggers
# anova to pool x1*x2 term into x1 terms to test total effect
# of x1
## End(Not run)

 

SVM的调参，关于e1071包，好像如果把数据“尺度化”（scaling）后，使用默认的参数就能训练出较好的模型。

R语言里，回归的参数，如果传formula，比如Y~X，那么这里的X不应该是dataframe或matrix，而应该用向量比如Y~x1+x2。如果向量太多，那么可以这样传两个参数：formula和data,比如glm(Y~., data=X)。这是在Logistics回归中被坑过，在predict时解决了将newdata用dataframe形式传入的问题后，总是报错说变量数不对（一方面可能fit 时有问“glm传参数data可能没传好”，另一方面newdata的dataframe可能需要转置一下）。

R语言的向量、矩阵、数据框、数组、列表等等，有点烦人，和我之前的C语言系列思维差别太大。

R的e1701中都在svm中，仅当y变量是factor类型时构建SVC，否则构建SVR

ggplot做出来的图，如何去除默认的背景和网格？(摘自：移除ggplot2的网格和背景色)

# 方法1
myplot<-myplot+ theme(panel.grid.major =element_blank(), 
        panel.grid.minor = element_blank(),
        panel.background = element_blank(),
        axis.line = element_line(colour = "black"))

# 方法2
myplot<-myplot+theme_bw()+
        theme(panel.border = element_blank(),
              panel.grid.major = element_blank(),
              panel.grid.minor = element_blank(),
              axis.line = element_line(colour = "black"))

 

生存分析

cph与coxph是点不同的，虽然得到的系数一样，p值一样，但是wald统计量有些区别（进一步进行anova分析时可以看出区别）。cph来自rms包，coxph来自survival包。

cph的一些进一步的说明：

“Modification of Therneau’s coxph function to fit the Cox model and its extension, the AndersenGill model. The latter allows for interval time-dependent covariables, time-dependent strata, and repeated events. The Survival method for an object created by cph returns an S function for computing estimates of the survival function. The Quantile method for cph returns an S function. for computing quantiles of survival time (median, by default). The Mean method returns a function for computing the mean survival time. This function issues a warning if the last follow-up time is uncensored, unless a restricted mean is explicitly requested.”

绘制Nomogram举例1：

require(rms)    ##调用rms包

# 建立数据集
y = c(0, 1, 0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 1, 0, 0, 1, 0, 0, 0, 1, 1, 0, 1,
      1, 0, 1, 1, 1, 0, 1, 0, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 1, 0, 0, 0, 1,
      1, 1, 1, 0, 1, 1, 0, 0, 0, 1, 1, 1, 0, 1, 1, 1, 1, 0, 0, 1, 1, 1, 0,
      0, 0, 1, 0, 1, 0, 1, 0, 1)
age = c(28, 42, 46, 45, 34, 44, 48, 45, 38, 45, 49, 45, 41, 46, 49, 46, 44, 48,
        52, 48, 45, 50, 53, 57, 46, 52, 54, 57, 47, 52, 55, 59, 50, 54, 57, 60,
        51, 55, 46, 63, 51, 59, 48, 35, 53, 59, 57, 37, 55, 32, 60, 43, 59, 37,
        30, 47, 60, 38, 34, 48, 32, 38, 36, 49, 33, 42, 38, 58, 35, 43, 39, 59,
        39, 43, 42, 60, 40, 44)
sex = c(0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1,
        0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1,
        0, 1, 0, 1, 0, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1,
        0, 1, 1, 1, 0, 1)
ECG = c(0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1,
        0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 2, 1, 0, 0, 2, 2, 0, 0, 2, 2,
        0, 1, 2, 2, 0, 1, 0, 2, 0, 1, 0, 2, 1, 1, 0, 2, 1, 1, 0, 2, 1, 1, 0, 2,
        1, 1, 0, 2, 1, 1)
ECG<-as.factor(ECG)
# 设定nomogram的参数
ddist <- datadist(age, sex, ECG)
options(datadist='ddist')
# logistic回归
f <- lrm(y ~ age + sex + ECG)
# nomogram
nom <- nomogram(f, fun=plogis,
                fun.at=c(.001, .01, .05, seq(.1,.9, by=.1), .95, .99, .999),
                lp=F, funlabel="Risk")
plot(nom)

 

绘制nomagram举例2

library(foreign) # 读取spss格式数据
library(survival)
library(rms) 
library(VIM) # 包中aggr()函数，判断数据缺失情况

par(family = "STXihei") # 指定绘制图片中的字体
# 数据来自张文彤《SPSS统计分析高级教程》，侵删！
url <- 'http://online.hyconresearch.com:4096/spss20/spss20advdata.zip'
# 书中数据下载地址

file <- basename(url) 
# 获取文件名 spss20advdata.zip
if (!file.exists(file)) download.file(url, file) 
# 判断工作目录下是否有spss20advdata.zip文件，如果不存在则执行下载数据命令
unzip(file)    # 解压缩zip文件
pancer <- read.spss('part4/pancer.sav') # 读取文件
pancer <- as.data.frame(pancer) 
# Cox回归所需数据类型为数据框格式，将其转换为数据框格式
aggr(pancer,prop=T,numbers=T) 
# 判断pancer各个变量的数据缺失情况，出现红色即有缺失，绘制列线图不允许缺失值存在
pancer$censor <- ifelse(pancer$censor=='死亡',1,0) 
# Cox回归结局变量需为数值变量
pancer$Gender <- as.factor(ifelse(pancer$sex=='男',"Male","Female"))
# 更改变量名称以及变量取值
pancer$Gendr <- relevel(pancer$Gender,ref='Female')  # 设置参考组
dd<-datadist(pancer) 
options(datadist='dd') 
coxm <- cph(Surv(time,censor==1)~age+Gender+trt+bui+ch+p+stage,x=T,y=T,data=pancer,surv=T) 
# 建立Cox回归方程
surv <- Survival(coxm) # 建立生存函数
surv1 <- function(x)surv(1*3,lp=x)  # lp: linear predictor, 用这个函数去
surv2 <- function(x)surv(1*6,lp=x) 
surv3 <- function(x)surv(1*12,lp=x) 
# maxscale 参数指定最高分数，一般设置为100或者10分
# fun.at 设置生存率的刻度
# xfrac 设置数值轴与最左边标签的距离，可以调节下数值观察下图片变化情况
plot(nomogram(coxm,fun=list(surv1,surv2,surv3),lp= F,
              funlabel=c('3-Month Survival','6-Month survival','12-Month survival'),maxscale=100,
              fun.at=c('0.9','0.85','0.80','0.70','0.6','0.5','0.4','0.3','0.2','0.1')),xfrac=.45)

med <-  Quantile(coxm)
surv4 <- function(x) med(x)
plot(nomogram(f, fun=surv4,
              fun.at=c(12,6,3,1,0),lp=F, funlabel="Median Survival Time"))

绘制Nomogram举例3：

require(rms)
require(Hmisc)     ##需要下载安装
require(survival)   ##R默认自带的用于做生存分析的包
# 建立数据集（使用rms包example的代码，未改动）
n <- 1000
set.seed(731)
age <- 50 + 12*rnorm(n)
# label(age) <- "Age"
sex <- factor(sample(c('Male','Female'), n,
                     rep=TRUE, prob=c(.6, .4)))
cens <- 15*runif(n)
h <- .02*exp(.04*(age-50)+.8*(sex=='Female'))
dt <- -log(runif(n))/h
# label(dt) <- 'Follow-up Time'
e <- ifelse(dt <= cens,1,0)
dt <- pmin(dt, cens)
# units(dt) <- "Year"
# 设定nomogram的参数
ddist <- datadist(age, sex)
options(datadist='ddist')
# Cox回归
S <- Surv(dt,e)
f <- cph(S ~ rcs(age,4) + sex, x=T, y=T, surv=T)
med <- Quantile(f)
# nomogram
nom <- nomogram(f, fun=function(x) med(x),
                fun.at=c(15,12,11,9,6,5),lp=F, funlabel="Median Survival Time")
plot(nom) ##绘制Nomgram图

先贴代码，以后整理下。再就是，可以研究下rms包文档里面的nomogram例子。

 

-----------------------------------Fisher exact test------------------------------------

Fisher exact test 不仅适用于2*2表，在R*C表中也能使用Fisher精确检验。

有文献对此进行过说明（Statistical notes for clinical researchers: Chi-squared test and Fisher's exact test）。

-----------------------------------非正态数据的正态化------------------------------------

http://blog.sina.com.cn/s/blog_13ec735f50102x59u.html

https://blog.csdn.net/qq_40587575/article/details/84349900

偏度和峰度的计算：

http://blog.sina.com.cn/s/blog_4d2fda500102wk0r.html

 

---------------------------------------------------------------------------------------------------

Bioconductor包的安装——老方法

在BioC的官方网站上，存放着Bioc包的安装脚本，biocLite.R，每次需要安装BioC的包之前，我们运行该脚本。source是运行代码脚本的命令，可以是本地文件，可以是网络上的文件。需要你有流畅的网络链接。
source(“http://bioconductor.org/biocLite.R”)

biocLite()是安装函数，相当于R中的常用的install.package命令，如果不传递需要安装的包的名称，则安装一些基本组件。

Bioconductor包的安装——新方法

if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")

BiocManager::install()

这种方法是将安装函数打包在BiocManager这个包里，而这个包又放在了CRAN上，相比老方法更为安全（直接挂网上的代码容易被黑客做手脚）。

---------------------------------------------------------------------------------------------------

安装包的方法：

除了install.packages()和BiocManager::install()这两种经典方法之外，还有如下的方法。

方法1 找到安装包所在的url，install.packages(packageurl, repos=NULL, type="source")。

方法2 github安装，需要devtools工具包，install_github()。

方法3 将安装包下载到本地，然后 install.packages(file, repos = NULL) 。

但是本地安装一般都容易出错，因为经常需要安装依赖包。

---------------------------------------------------------------------------------------------------

library和require都可以载入包，但二者存在区别。

在一个函数中，如果一个包不存在，执行到library将会停止执行，require则会继续执行。

---------------------------------------------------------------------------------------------------

关于依赖包的更新

#Update old packages: 
#Update all/some/none? [a/s/n]

这种情况其实可以选择n的，放心去尝试吧。

---------------------------------------------------------------------------------------------------

setdiff函数是有方向的，是第一个减去第二个参数。

---------------------------------------------------------------------------------------------------

Rstudio的使用习惯纠正

1、一个正式的项目，请新建一个project，并且阶段性收工的时候应当push到云端。

2、一个project内，应当有如下几个子目录：data存放数据、R存放代码、plots存放图片、以及各其他子分析模块存放对应文件。

3、Workspace数据应当保存。

4、每个项目可以有临时代码文件，用于尝试，请将相应代码保存到temp子目录中，并以temp.R命名。

5、可以有全局的临时代码（与项目无关），可以在电脑中建立一个temp目录，用于保存temp代码。

6、每一个project最好至少生成一份rmarkdown报告。

7、一定记得将代码push到线上仓库，将数据push到网盘中；需要展示的结果可使用github的page功能。

8、Rmarkdown的高效使用方法：

      8.0 虽然Rmarkdown没有Jupyter notebook那么直观好看，但是对于echo=FALSE这个设定的存在很满意，以及可以输出office系列文档，可以做各种slide，很不错。

      8.1 请不要将cache设置为TRUE，缓存机制容易让自己的代码运行出错（在没能完全了解清楚cache的原理时，不要使用）。

      8.2 请将耗时操作运算（一般运行超过1min的都可归为耗时操作）的代码标记为eval=FALSE，并且将其运算结果缓存到本地（以表格文件、图片形式、R格式数据形式保存），eval的代码加载数据即可；一个合理的Rmarkdown运行及渲染的时间不应当超过1min。

      8.3 代码实行分块管理，即大的模块之间使用注释分割符号进行划分（大块间使用等号系列分割、小块之间使用减号系列分割）；无论代码是否eval，相同功能模块的代码都应该写在同一个块内，当然，块内可分为eval区和非eval区。另外，第一个块内需要设定工作目录、全局使用的工具包和代码（如dplyr、ggplot2、FanCodeV1等）。

      8.4 选项设置：全局请使用cache=FALSE，message=FALSE；局部代码根据情况使用eval和warning；局部适当设置fig系列选项。

      8.5 代码可以先在临时script文件中整理好再导入Rmarkdown，但运行调试也可以适当使用Rmarkdown，毕竟数据查看很方便。

---------------------------------------------------------------------------------------------------

设置全局镜像：

options(repos="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")