1. 数据导入与处理

covid19.csv文档里面记录了某地区新冠病人的住院信息。 covid19-2.csv和covid19-3.csv文档记录病人入院前的基本信息。

  1. 把covid19.csv读入到数据框df1中,输出其列名和前五行的内容;

  2. 把covid19-2.csv读入到数据框df2中,输出其列名和后三行的内容;

  3. 把covid19-3.csv读入到数据框df3中,输出其列名和后三行的内容;

  4. 合并df2和df3,并将合并后的数据框定义为df4,要求合并后df4中的序号都是可识别的(唯一的);

  5. 合并df1和df4,并将合并后的数据框定义为df,要求合并后保留pat1所有的行;

  6. 找出df疗程中存在缺失值的行,并将其填充完整,填充值为出院时间与入院时间的间隔天数(如:入院时间为20200121,出院时间为20200211,则疗程为22),最终结果仍旧保存为df;

  7. 输出df中有缺失值的所有行;

注意事项

  1. read.csv函数中的header表示是否包括列名,如果原文件中包含列名,则为TRUE,否则为FALSE;na.strings=x表示x 指定 x 为缺失值;

  2. 合并数据框:若行号不一致,merge(dat1, dat2, by = x):按照列名为x来合并,只保留x元素相同的行,即同时在两个数据框中的行;用 merge(dat1, dat2, by.x = x, by.y = y,all.x=TRUE) 把 dat1中的x列和 dat2中的y列作为合并的标准,且保留 dat1 中的所有行;

  3. 判断是否缺失is.na,注意其与is.null的区别;is.na判断一个位置上的值是否为为空,占据了至少一个位置;is.null判断变量是否为空,若为空,则表明该变量没有位置;

  4. 在输出df中有缺失值的所有行问题中,利用apply(X=is.na(df), MARGIN=1, FUN=any)函数,MARGIN=1表示在X上按行执行FUN

  5. any函数和all函数的区别;前者判断是否有任意一个元素为TRUE,后者判断是否所有元素为TRUE;

In [2]:
#1
df1=read.csv("covid19.csv",header=TRUE,fileEncoding="GBK",na.strings="")
colnames(df1)
head(df1,5)
  1. '序号'
  2. '分型'
  3. '性别'
  4. '年龄'
  5. '入院时间'
  6. '出院时间'
  7. '疗程'
序号分型性别年龄入院时间出院时间疗程
1 重型 男 49 202001212020021122
2 重型 NA 47 202001212020021425
3 重型 男 51 202001242020020715
4 普通型 男 24 202001222020020313
5 普通型 男 47 202001222020020818
In [3]:
#2
df2=read.csv("covid19-2.csv",header=TRUE,fileEncoding="GBK")
colnames(df2)
tail(df2,3)
  1. '序号'
  2. '职业'
  3. '病史'
  4. '吸烟'
序号职业病史吸烟
7382 无 首诊 无
7483 农民 外院转入无
7584 无业 首诊 无
In [4]:
#3
df3=read.csv("covid19-3.csv",header=TRUE,fileEncoding="GBK")
colnames(df3)
tail(df3,3)
  1. '序号'
  2. '职业'
  3. '病史'
  4. '吸烟'
序号职业病史吸烟
6781 医生 外院转入无
6882 无 首诊 无
6984 无业 首诊 无
In [5]:
#4
df4=rbind(df2,df3)
df4=unique(df4)
dim(df4)
  1. 75
  2. 4
In [6]:
#5
df=merge(df1,df4,by.x = "序号", by.y = "序号", all.x = TRUE)
dim(df)
  1. 75
  2. 10
In [7]:
#6
df[is.na(df$疗程),]
df$入院时间=as.Date(as.character(df$入院时间),format="%Y%m%d")
df$出院时间=as.Date(as.character(df$出院时间),format="%Y%m%d")
df[is.na(df$疗程),7]=df[is.na(df$疗程),6]-df[is.na(df$疗程),5]+1
df[is.na(df$疗程),]
序号分型性别年龄入院时间出院时间疗程职业病史吸烟
1919 普通型 男 22 2020012920200303NA 学生 首诊 无
2929 普通型 女 27 2020013120200305NA 会计 首诊 无
3737 普通型 女 53 2020020320200305NA 无业 首诊 无
4242 普通型 男 35 2020012820200301NA 职员 首诊 无
4545 普通型 女 45 2020020720200301NA 无业 首诊 无
4646 普通型 女 42 2020020720200302NA 个体 首诊 无
4747 普通型 女 69 2020020720200301NA 无业 首诊 无
5050 普通型 女 35 2020020520200227NA 职员 首诊 无
5355 重型 男 63 2020021120200307NA 退休 外院转入无
5557 重型 男 57 2020020120200229NA 农民 首诊 无
7382 普通型 男 5 2020013120200213NA 无 首诊 无
序号分型性别年龄入院时间出院时间疗程职业病史吸烟
In [8]:
#7
head(df,6)
idx.na <- apply(is.na(df), 1, any)
df[idx.na, ]
序号分型性别年龄入院时间出院时间疗程职业病史吸烟
1 重型 男 49 2020-01-212020-02-1122 职员 首诊 无
2 重型 NA 47 2020-01-212020-02-1425 无业 首诊 无
3 重型 男 51 2020-01-242020-02-0715 职员 首诊 有
4 普通型 男 24 2020-01-222020-02-0313 地铁工作 首诊 无
5 普通型 男 47 2020-01-222020-02-0818 销售 首诊 有
6 普通型 女 40 2020-01-252020-02-0815 个体 首诊 无
序号分型性别年龄入院时间出院时间疗程职业病史吸烟
22 重型 NA 47 2020-01-212020-02-1425 无业 首诊 无

2. 数据统计描述

基于数据框df实现如下操作:

  1. 按病史分别统计年龄、疗程的均值;

  2. 按入院时间对df进行排序,升序,入院时间越早,排序更靠前;

  3. 按分型分组汇总不同性别(包括缺失值)的入院人数,结果展示为list数据结构;

  4. 显示不抽烟、重型且年龄大于60岁的病人的出入院时间;

  5. 交叉汇总性别和分型的发病人数,要求男性的病史统计在同一行,并将结果保存为table格式,并赋值给res1,(不包括缺失值);

注意事项

  1. aggregate(x, by, FUN) 函数对输入的数据框X用指定的分组变量by(或交叉分组) 分组进行概括统计FUN。

  2. 分组汇总:利用tapply(X,INDEX,FUN,useNA)将X按INDEX分组进行统计汇总FUN,通过 useNA = "always" 或useNA = "ifany"来把 NA计算在内,对比tapply和aggregate的输出格式;

  3. 对两个分类变量进行交叉分组计算频数:利用table(X,Y)交叉统计频数,X类别表示在行名不同,Y的类别表示在列名不同;

In [9]:
#1
aggregate(df[,c(4,7)], by = df["病史"], mean)
病史年龄疗程
外院转入58.0833314.16667
首诊 42.1269819.34921
In [10]:
#2
head(df[order(df[,"入院时间"]),],6)
序号分型性别年龄入院时间出院时间疗程职业病史吸烟
1 1 重型 男 49 2020-01-212020-02-1122 职员 首诊 无
2 2 重型 NA 47 2020-01-212020-02-1425 无业 首诊 无
4 4 普通型 男 24 2020-01-222020-02-0313 地铁工作 首诊 无
5 5 普通型 男 47 2020-01-222020-02-0818 销售 首诊 有
6675 普通型 男 30 2020-01-222020-01-29 8 金融 首诊 无
9 9 普通型 女 24 2020-01-232020-02-1019 职员 首诊 无
In [11]:
#3
tad3=tapply(df[,"性别"], INDEX = df["分型"], table,useNA="always")
tad3
$普通型

  女   男 <NA> 
  28   26    0 

$重型

  女   男 <NA> 
   3   17    1 
In [12]:
#4
df[which(df$吸烟=="无" &df$分型=="重型" & df$年龄>60),5:6]
入院时间出院时间
302020-02-012020-02-23
522020-02-102020-02-24
532020-02-112020-03-07
562020-02-062020-02-23
612020-02-082020-02-17
632020-02-062020-02-24
702020-02-062020-02-20
722020-02-132020-02-24
742020-02-212020-02-25
In [13]:
#5
res1=table( df[,"性别"], df[,"分型"])
res1
    
     普通型 重型
  女     28    3
  男     26   17

3. 数据可视化

基于数据框df实现如下操作:

  1. 绘制疗程的直方图,将图形的横坐标设为疗程,纵坐标设为频数,标题设为疗程分布直方图,并在该图上添加密度估计曲线;

  2. 基于res1绘制并排条形图,添加图例,标题设为不同病型病人的性别分布,普通型和重型颜色分别为"cyan"和"darkgoldenrod";

  3. 以性别为组别,绘制年龄的多组箱线图,男性和女性颜色分别为"cyan"和"darkgoldenrod";

注意事项

  1. hist(x,freq,main ,xlab , ylab,col,xlim,ylim,...): hist(x) 对 x 作频数直方图,直方图自动等距分段,纵坐标为每段的样本点个数;可通过 freq = FALSE 改变y轴的计数为比例;可以用 main = 、xlab = 、 ylab = 等选项指定标题和x、y 轴标签; 可以用 col= 指定各个条形的颜色;用 xlim 或者 yli改变x或y轴的绘图范围;

  2. 在直方图的基础上添加密度曲线,前提需要设置freq=FALSE,否则由于y轴基数的不同使得密度曲线趋近于一条直线在图形底部。

  3. 多组箱线图:barplot(res, beside, legend,col): 以列联表res列变量为大类,每一大类画一个条形;以列联表行变量为小类,每一条形中按小类分段;beside=TRUE表示各组条形左右并排分隔放置,FALSE表示各组条形上下堆叠放置;legend=TRUE表示显示图例;

  4. 多组箱线图:boxplot(Y~ X, data,col)

In [14]:
colnames(df)[7]="Treatment Course"
colnames(df)[4]=c("Age")
In [15]:
#1
hist(df[, "Treatment Course"],xlab="Treatment Course",ylab="Freq",main="Histogram of treatment course distribution")
In [16]:
hist(df[, "Treatment Course"],freq=FALSE,xlab="Treatment Course",ylab="Freq",main="Histogram of treatment course distribution")
lines(density(df[, "Treatment Course"]), lwd = 3, col = "black")
In [17]:
#2
colnames(res1)=c("Ordinary","Heavy")
rownames(res1)=c("Female","Male")
barplot(res1, beside=TRUE, legend=TRUE,col=c("darkgoldenrod","cyan"))
In [18]:
#3
fnum=which(df[,3]=="女")
mnum=which(df[,3]=="男")
Gender=c()
Gender[fnum]="Female"
Gender[mnum]="Male"
df$Gender=factor(Gender)
boxplot(Age ~ Gender, data = df,col=c("darkgoldenrod","cyan"))