临床数据库挖掘系列3-手把手教你使用R语言对seer数据库清洗

从seer数据库下载到数据后，部分人会感到无从下手，这是因为数据还没有经过清洗整理，不能变成我们统计软件识别的形式，不能进行分析。今天我们手把手教你使用R语言进行seer数据库清洗，让数据变为我们所用。
首先导入我们需要的R包，需要foreign，car，和stringr，需先下载好。

然后我们把我们下载好的数据导入R，有20多万条，靠手工更改是不可能完成的。

be<-read.csv("E:/r/test/seer4.csv",sep=',',header=TRUE)

查看一下数据的名字和形式还有变量
head(be)
names(be)

感觉太乱了，有些名字很长，全部给它改下名字

colnames(be)<-c("sex","time","rezult","rezult1","status","race","Subtype","nodes","Lymph.Invasion","tumor.size","extension","lymph.nodes","age","ajcc")#数据太长，重新命名

我们重新查看一下数据集，这回清爽多了

我们发现一共有14个变量，其中Lymph.Invasion都是缺失数据，根本不能分析，只能删掉，这就是公共数据库的无奈

be<-be[,-9]#删掉第9列Lymph.Invasion，因为都是缺失的数据

很多数据中变量都是字符串，不符合要求，我们要把它们变成数字

be$sex<-ifelse(be$sex=="Female",1,ifelse(be$sex=="Male",2,NA))#性别转换成1和2，缺失的使用NA表示，其他的相同
be$rezult1 <-ifelse(be$rezult1 =="Alive or dead due to cancer",1,ifelse(be$rezult1 =="Dead (attributable to causes other than this cancer dx)",2,NA))
be$status<-ifelse(be$status=="Alive",0,ifelse(be$status=="Dead",1,NA))
be$race<-ifelse(be$race=="White",1,ifelse(be$race=="Black",2,3))
be$Subtype<-recode(be$Subtype,"'HR-/HER2- (Triple Negative)'=1;'HR-/HER2+ (HER2 enriched)'=2;'HR+/HER2- (Luminal A)'=3;'HR+/HER2+ (Luminal B)'=4;else=NA")#这里是4个分类变量，使用ifelse函数套叠胎麻烦，改用car函数
be$nodes[be$nodes=="Blank(s)"]=NA#让数据中的Blank(s)变为缺失值，下面同理
be$tumor.size[be$tumor.size=="Blank(s)"]=NA
be$extension[be$extension=="Blank(s)"]=NA
be$lymph.nodes[be$lymph.nodes=="Blank(s)"]=NA
be$age<-str_extract(be$age, "\\d+")#把年龄里面的数字提取出来
be$ajcc[be$ajcc=="Blank(s)"]=NA

OK，转换得差不多了，我们来看一下，rezult没有用，我们不理他，等下删掉，我们需要的是rezult1

Ajcc我们没有转换，因为暂时还不需要用，等我们讲到探索交互效应分析的时候再说它，现在先不理他先，你如果有强迫症的话也可以按我们上面的代码转换它
OK，现在完成了？不还没有，还有一个重要的变量没有生成，就是竞争风险的结局
我们现在来生成它

be$status1<-ifelse(be$status==0,0,ifelse(be$rezult1==1,1,2))

最后数据出来啦

把它输出为1.csv

write.csv(be,file = "1.csv")

最后打开1.csv,整理一下，这就是我们要发表的数据啦

20多万条数据，发个中文核心或者低分SCI还不是轻轻松松，玩一样。
如果想更详细了解数据挖掘过程，请关注我的科研教程
更多精彩文章请关注公众号：零基础说科研

临床数据库挖掘系列3-手把手教你使用R语言对seer数据库清洗相关推荐

手把手教你入门R语言--数据分析篇（1）——数据导入与基础绘图
R语言入门系列课程(6) 前面已将R语言的基础全部交给大家了,这两节将教大家用R语言进行数据分析的基础.数据读入(数据源包括txt文件.Excel文件.MySLQ数据库.MongoDB数据库).数据写 ...
手把手教你使用R语言制作临床决策曲线
DCA(Decision Curve Analysis)临床决策曲线是一种用于评价诊断模型诊断准确性的方法,在2006年由AndrewVickers博士创建,我们通常判断一个疾病喜欢使用ROC曲线的A ...
手把手教你使用R语言建立COX回归并画出列线图(Nomogram)
列线图,又称诺莫图(Nomogram),它是建立在回归分析的基础上,使用多个临床指标或者生物属性,然后采用带有分数高低的线段,从而达到设置的目的:基于多个变量的值预测一定的临床结局或者某类事件发生的概 ...
独家 | 手把手教你学习R语言（附资源链接）
作者:NSS 翻译:杨金鸿术语校对:韩海畴全文校对:林亦霖本文约3000字,建议阅读7分钟. 本文为带大家了解R语言以及分段式的步骤教程! 人们学习R语言时普遍存在缺乏系统学习方法的问题.学习者 ...
超级干货：手把手教你学习R语言（附资源链接）
作者:NSS:翻译:杨金鸿:校对:韩海畴,林亦霖: 本文约3000字,建议阅读7分钟. 本文为带大家了解R语言以及分段式的步骤教程! 人们学习R语言时普遍存在缺乏系统学习方法的问题.学习者不知道从哪开 ...
手把手教你学习R语言
本文为带大家了解R语言以及分段式的步骤教程! 人们学习R语言时普遍存在缺乏系统学习方法的问题.学习者不知道从哪开始,如何进行,选择什么学习资源.虽然网络上有许多不错的免费学习资源,然而它们多过了头,反 ...
手把手教你用R语言读取CSV文件
导读:R语言有许多种方法去获取数据,最常用的是读取CSV文件. 作者:Jared P. Lander 来源:大数据DT(ID:hzdashuju) 读取CSV文件最好的方法是使用read.table函 ...
手把手教你使用R语言爬虫在气象网站抓取气象数据并分析绘制热力日历图(1)
我们做临床研究常见的烦恼为没有好的数据,目前气象网站上有很多关于气象因素和空气质量数据,但是没有系统的整理和格式等问题,我们使用起来非常不方便,而且很费时间,我们可以使用R语言爬虫工具对网站上的数据进 ...
手把手教你入门R语言（1）——R软件初识与安装
R语言入门系列课程(1) 经过几个版本的更迭,终于形成一套R语言入门系列课程,小编携手同仁共同打造的课件,分享给小白们学习,如有疑问,欢迎前来探讨.第一节课共分四个章节,主要带领大家了解R语言以及R语 ...
R语言对SEER数据库随机分为建模组和验证组
我们从SEER数据库下载到数据库后,一个很重要的步骤就是把数据库随机分为建模组和验证组,一般来说的话是用70%的数据建模,30%的数据进行验证.因为我们很难找到和SEER数据库类似的数据进行外部验证, ...

临床数据库挖掘系列3-手把手教你使用R语言对seer数据库清洗

临床数据库挖掘系列3-手把手教你使用R语言对seer数据库清洗相关推荐

最新文章

热门文章