前言

之所以想发这个，想起来就气，上次因为数据库中病例数的变化（病例的纳入排除标准改变），导致多次统计分析，反复修改我的三线表，还有几次填错数据，还被老板骂，想起来就气，然后愤愤的把table1这个函数学习了一下，下次做三线表就很简单啦，开心。

三线表这部分我会分2-3部分写，今天写第一部分：主要是对三线表部分内容进行优化。下一次主要会讲添加P值，卡方值等列。

table1直接画出的三线表对于连续资料是将均值和中位值全部输出的，而不判定数据的正态性。
本文解决的问题：对于计量资料，分正态度分布和非正态分布，分别用mean(±sd)和median(min, max)这两种方法表示。这样我们还省去了做正态性检验的步骤。

先看下效果吧。注意看年龄和正态性数据哪一行那一行

如果你只是想用，直接跳到最后的代码总结部分，中间的内容可能更适合打破砂锅问到底的同志。

提示：关于table1中添加标题，表头，脚注我就不赘述，因为这部分对我们不重要。想了解的善用浏览器

一、table1

先了解一下这个函数画三线表的过程，姑且可以这样去理解。每次绘制一个交叉的格子时，如上图中红圈，函数会传入数据框中所有性别为男性的生存状态数据，然后取计算频数。下面某些过程可能会比较晦涩，欢迎大家在评论区提问或者私信。

二、简单制作

1.一般过程（使用formula形式）

其实这个table1中既可以放入formula格式（简单），也可以放入strata，labels的格式（灵活）。

代码如下（示例）：

rm(list = ls())
library(table1)
library(survival)
options(stringsAsFactors = F)
a <- lung
str(a)#设置因子。需要注意，分类变量必须设置为因子或者字符串格式，否则它就把它当作数值进行计算了，这里，性别和生存状态都是分类变量。
a$sex <- factor(a$sex,levels = c(1,2),labels = c('男','女'))
a$status <- factor(a$status,levels = c(1,2),labels = c("存活","死亡"))#可以检验age是非正态的数据，这个p>0.1说明是正态，反之。
shapiro.test(a$age)$p.value#为了验证能否根据数据的正态性输出不同的格式，这里新增一组正态数据。
a$normdata <- rnorm(nrow(a),1,1)#设置缺失值，看函数是否能识别缺失数据
a$age[3] <- NA#设置单位，这样可以在行名那儿显示单位，如图中的（years，Kg）
units(a$age) <- 'year'
units(a$wt.loss) <- 'Kg'#设置标签，这里的标签就是行名。否则三线表行名会显示为status，age等等
label(a$status) <- "生存状态"
label(a$age) <- "年龄"
label(a$wt.loss) <- "体重减低"
label(a$sex) <- "性别"
label(a$normdata) <- "正态数据"
table1(~status+age+wt.loss+normdata|sex,data = a)

2.发现问题

运行完代码，确实出现了我们要的三线表，但发现了吗？不论我们的数据是否正态，他都会将均值（标准差）和中位数（极值）两种形式输出。这不是我们想要的。为了去删除，我们还要重新去进行正态性检验然后一行一行删除，显然这不是我们学习R语言的初衷。

3.端倪

抛开这个问题先不谈，我们先学习一下，如何改变这个三线表？
看一下帮助文档，我已经为大家探索好了，这里表格中的数据是通过render参数传递的。
render指向一个render.default函数，render.default中包含了传递连续型变量、分类变量、空值的传递，是函数的形式。调出这两个函数的代码看一下。

从函数可以发现分类变量和数值变量的表现形式（红色框标记）。

这里我重写这个render函数和render.continuous.default函数就初步实现函数根据正态检验选择性输出。

代码如下（示例）：

重写render.default函数
rd <- function(x, name, ...){#这里传入的参数x和name
#举个例子，当绘制男性，age这个格子的时候（一下所有的例子都是这个），x就是：数据中性别为男性的所有年龄数据。name就是age，那么这里的a[[name]]用来提取数据a中年龄数据（男性女性都包括）y <- a[[name]]
#判断年龄数据中是否存在空值，如果是空值，我们要加入missing行m = any(is.na(y))
#根据传入的数据是否是数值分别处理if (is.numeric(y)) {#判断是否正态，并将判断的结果传入my.render.cont函数中normt=(shapiro.test(y)$p.value>0.1)+2my.render.cont(x,n=normt,m=m,...)}else{#因为分类变量我们不需要处理，这里直接调用默认的函数就行了render.default(x=x, name=name, ...)}}#重写render.continuous.default函数。
my.render.cont <- function (x,n,m, ...) {#x和上面函数中的意义一样，n是判断是否正态的结果，m是判断是否空值的结果a=with(stats.apply.rounding(stats.default(x, ...), ...), c("", `Mean (±SD)` = sprintf("%s (±%s)", MEAN, SD),`Median (Min, Max)` = sprintf("%s (%s, %s)", MEDIAN, MIN, MAX)))[-n] #根据正态判断结果判定输出均值还是中位数if (m) {a <- c(a,with(stats.apply.rounding(stats.default(is.na(x), ...), ...)$Yes,c(`Missing` = sprintf("%s (%s%%)", FREQ, PCT))))#这里就是根据是否存在空值输出missing行}a
}###最后的最后就是运行我们的绘制三线表函数，render参数和render.continuous参数换成我们重写的函数。
table1(~status+age+wt.loss+normdata|sex,data = a,render = rd,render.continuous=my.render.cont)

出图，完美，可以发现正态性的数据和非正态性的数据展现形式是不一样的。

4.代码汇总

最后的最后当然是要把代码汇总，方便你们享用啦

rm(list = ls())
library(survival)
library(survminer)
library(table1)
options(stringsAsFactors = F)
#重写函数
rd <- function(x, name, ...){y <- a[[name]]m = any(is.na(y))if (is.numeric(y)) {normt=(shapiro.test(y)$p.value>0.1)+2my.render.cont(x,n=normt,m=m,...)}else{render.default(x=x, name=name, ...)}}#重写连续变量处理函数
my.render.cont <- function (x,n,m, ...) {a=with(stats.apply.rounding(stats.default(x, ...), ...), c("", `Mean (±SD)` = sprintf("%s (±%s)", MEAN, SD),`Median (Min, Max)` = sprintf("%s (%s, %s)", MEDIAN, MIN, MAX)))[-n]if (m) {a <- c(a,with(stats.apply.rounding(stats.default(is.na(x), ...), ...)$Yes,c(`Missing` = sprintf("%s (%s%%)", FREQ, PCT))))}a
}
#########################分界线#############################################
####上面的部分是可以重复使用的不用变，以下部分需要你换成自己的数据并更改部分内容
############################################################################
a <- lung
str(a)#设置因子、以年龄、性别、体重减低、状态为例子
a$sex <- factor(a$sex,levels = c(1,2),labels = c('男','女'))
a$status <- factor(a$status,levels = c(1,2),labels = c("存活","死亡"))
a$normdata <- rnorm(nrow(a),1,1)
a$age[3] <- NA#设置单位
units(a$age) <- 'year'
units(a$wt.loss) <- 'Kg'#设置标签
label(a$status) <- "生存状态"
label(a$age) <- "年龄"
label(a$wt.loss) <- "体重减低"
label(a$sex) <- "性别"
label(a$normdata) <- "正态数据"
table1(~status+age+wt.loss+normdata|sex,data = a)
table1(~status+age+wt.loss+normdata|sex,data = a,render = rd,render.continuous=my.render.cont)
##两相对比，你更喜欢哪一个呢？

总结

其实之前就看过这个函数，但是当时只是玩玩的心态，学了个一知半解，这次真的是痛定思痛想要搞定它。
预告：下一篇就是添加卡方检验和t检验的p值
本人还是初学者，如有错误，欢迎批评指正，虚心接受大家的建议。

R语言：三线表（1）相关推荐

关于R语言和社交网络分析的几篇文章
[转载]初学社交网络分析-<庶民的微胜利:R与社交网络分析> 关键词:igraph 图表输出图形优化初次尝试igraph包 igraph包入门 R语言画社交关系图根据用户分享的歌曲, ...
oracle矩阵函数,R语言矩阵matrix函数
矩阵是元素布置成二维矩形布局的R对象. 它们包含相同原子类型的元素.尽管我们可以创建只包含字符或只逻辑值的矩阵,但是它们没有多大用处.我们使用的是在数学计算中含有数字元素矩阵. 使用 matrix() ...
三线表是什么？R语言使用table1包绘制（生成）三线表、构建不分层的三线表
三线表是什么?R语言使用table1包绘制(生成)三线表.构建不分层的三线表目录
R语言使用table1包绘制（生成）三线表、使用单变量分列构建三线表、编写自定义函数在三线表中添加p值
R语言使用table1包绘制(生成)三线表.使用单变量分列构建三线表.编写自定义函数在三线表中添加p值目录
R语言使用table1包绘制（生成）三线表、使用单变量分列构建三线表、设置transpose参数转置三线表、变量作为列，子组（strata）作为行
R语言使用table1包绘制(生成)三线表.使用单变量分列构建三线表.设置transpose参数转置三线表.变量作为列,子组(strata)作为行目录
R语言使用table1包绘制（生成）三线表、使用单变量分列构建三线表、自定义overall的标签名称
R语言使用table1包绘制(生成)三线表.使用单变量分列构建三线表.自定义overall的标签名称目录
R语言使用table1包绘制（生成）三线表、使用单变量分列构建三线表、为指定变量添加单位信息、自定义overall的标签名称
R语言使用table1包绘制(生成)三线表.使用单变量分列构建三线表.为指定变量添加单位信息.自定义overall的标签名称目录
R语言使用table1包绘制（生成）三线表、使用单变量分列构建三线表、编写自定义三线表结构（将因子变量细粒度化重新构建三线图）、为不同的变量显示不同的统计信息
R语言使用table1包绘制(生成)三线表.使用单变量分列构建三线表.编写自定义三线表结构(将因子变量细粒度化重新构建三线图).为不同的变量显示不同的统计信息目录
三线表是什么？R语言使用table1包绘制（生成）三线表、使用单变量分列构建三线表、通过topclass参数自定义三线表表格的显示形式（显示为类似斑马线、并将所有列居中，包括包含行标签的第一列）
三线表是什么?R语言使用table1包绘制(生成)三线表.使用单变量分列构建三线表.通过topclass参数自定义三线表表格的显示形式(显示为类似斑马线.并将所有列居中,包括包含行标签的第一列) 目录
三线表是什么？R语言使用table1包绘制（生成）三线表、使用单变量分列构建三线表、编写自定义三线表结构（将因子变量细粒度化重新构建三线图）、编写自定义函数在三线表中添加p值
三线表是什么?R语言使用table1包绘制(生成)三线表.使用单变量分列构建三线表.编写自定义三线表结构(将因子变量细粒度化重新构建三线图).编写自定义函数在三线表中添加p值目录

R语言：三线表（1）

文章目录

前言