Screening av kolonner

Det er viktig å få en rask oversikt over kolonnene i en data frame. Denne typen analyse brukes for å forsikre seg om at alle kolonner har forventet innhold. Med mindre datainnsamlingen er gjort svært omhyggelig, er det sannsynlig at én eller flere variabler ikke har forventet formatering. Ett enkelt ikke-numerisk tegn i en kolonne med datoer eller numeriske verdier er nok til at hele kolonnen tolkes som en tekstkolonne i R.

Det finnes en rekke ulike pakker og funksjoner for å lage oversikter over data frames. Nedenfor følger noen funksjoner med små, men viktige nyanser.

Vi begynner med pakken mlr, som inneholder funksjonen summarizeColumns(). Pakken mlr må være installert for at funksjonen skal kunne brukes. Installer og aktiver pakken slik:

install.packages("mlr")
library(mlr)

mlr har en tendens til å bruke scientific notation, som betyr at store og små tall skrives ut som eksponenttall; for eksempel skrives 100000000 ut som 1e+08. Du kan slå av scientific notation med følgende kommando:

## Slå av scientific notation i R
options(scipen = 999)

Bruk deretter funksjonen summarizeColumns() for å gjennomgå innholdet i vår data frame (rhc):

summarizeColumns(rhc)

Du kan kombinere dplyr-funksjoner (f.eks. filter, select) med summarizeColumns() for å gjennomgå kolonnenes egenskaper i en undergruppe av datasettet. Nedenfor lager vi tabellen på nytt, men inkluderer bare pasienter som ikke hadde kreft (ca="No"):

rhc |>
  filter(ca=="No") |>
  summarizeColumns()

Bare de 4 første variablene vises nedenfor.

summarizeColumns() gir ingen informasjon om nivåene til kategoriske variabler (factors). For å få dette brukes følgende kommando:

summarizeLevels(rhc)

$ca
Metastatic         No        Yes
       384       4379        972

$card
  No  Yes
3804 1931

$cat1
              ARF               CHF         Cirrhosis      Colon Cancer              Coma              COPD
             2490               456               224                 7               436               457
      Lung Cancer MOSF w/Malignancy     MOSF w/Sepsis
               39               399              1227

$cat2
        Cirrhosis      Colon Cancer              Coma       Lung Cancer MOSF w/Malignancy     MOSF w/Sepsis
               38                 2                90                15               229               826

$death
  No  Yes
2013 3722

$dnr1
  No  Yes
5081  654

$dth30
  No  Yes
3817 1918

$gastr
  No  Yes
4793  942

$hema
  No  Yes
5381  354

$income
    > $50k   $11-$25k   $25-$50k Under $11k
       451       1165        893       3226

Screening med Hmisc

Pakken Hmisc inneholder en rekke nyttige funksjoner for utforskning og analyse. Funksjonen describe() brukes for å beskrive alle kolonnene i en data frame. Begynn med å installere Hmisc og aktivere pakken:

install.packages("Hmisc")
library(Hmisc)

Nå lager vi objektet rhc_described ved å bruke funksjonen describe() på vår data frame. Deretter skriver vi ut resultatet med funksjonen html().

rhc_described <- describe(rhc)
html(rhc_described, size = 80)

I neste steg bruker vi flere funksjoner i Hmisc for å lage frekvensdiagrammer og histogrammer. Se kommentarene i koden for detaljer:

## Bruker funksjonen plot() på objektet vårt rhc_described
rhc_described_plots <- plot(rhc_described)

## Inspiserer fordelinger i kategoriske data
rhc_described_plots$Categorical

## Inspiserer histogrammer for kontinuerlige data
rhc_described_plots$Categorical

Generere kolonnedata stratifisert etter en kategorisk variabel

Hmisc har funksjonen summaryM(), som viser variablenes egenskaper stratifisert etter en kategorisk variabel. Den kategoriske variabelen er vanligvis et utfallsmål (event, outcome) i studien. Funksjonen summaryM() er spesiell fordi den bruker en formel for å angi hvilke variabler som skal rapporteres. Funksjonen beregner også ulike typer hypotesetester for gruppeforskjeller. Hvorvidt slike hypotesetester (P-verdier) er nyttige eller ikke, avhenger av konteksten. Det er som regel uheldig å utføre hypotesetester rutinemessig på jakt etter gruppeforskjeller eller for å identifisere hvilke variabler som skal inkluderes i en statistisk modell.

Nedenfor demonstreres funksjonen. Merk at variablene vi vil undersøke, plasseres til venstre for tilde (~), atskilt med +, og outcome plasseres til høyre for ~. Vi bruker funksjonen html() på resultatet for å få et estetisk tiltalende resultat.

rhc_summary <- summaryM(age + alb1 + card + crea1 + hema1 + trauma + edu + dementhx ~ death,
              data = rhc,
              overall = TRUE,
              test = TRUE)

html(rhc_summary,
     caption='Prediktorer i relation till död',
     exclude1 = TRUE,
     npct = 'both',
     digits = 2,
     prmsd = TRUE,
     brmsd = TRUE)