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。
把covid19.csv读入到数据框df1中,输出其列名和前五行的内容;
把covid19-2.csv读入到数据框df2中,输出其列名和后三行的内容;
把covid19-3.csv读入到数据框df3中,输出其列名和后三行的内容;
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);
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;
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;
输出df中有缺失值的所有行;
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;
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;
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;
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
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;
#1
df1=read.csv("covid19.csv",header=TRUE,fileEncoding="GBK",na.strings="")
colnames(df1)
head(df1,5)
| 序号 | 分型 | 性别 | 年龄 | 入院时间 | 出院时间 | 疗程 |
|---|---|---|---|---|---|---|
| 1 | 重型 | 男 | 49 | 20200121 | 20200211 | 22 |
| 2 | 重型 | NA | 47 | 20200121 | 20200214 | 25 |
| 3 | 重型 | 男 | 51 | 20200124 | 20200207 | 15 |
| 4 | 普通型 | 男 | 24 | 20200122 | 20200203 | 13 |
| 5 | 普通型 | 男 | 47 | 20200122 | 20200208 | 18 |
#2
df2=read.csv("covid19-2.csv",header=TRUE,fileEncoding="GBK")
colnames(df2)
tail(df2,3)
| 序号 | 职业 | 病史 | 吸烟 | |
|---|---|---|---|---|
| 73 | 82 | 无 | 首诊 | 无 |
| 74 | 83 | 农民 | 外院转入 | 无 |
| 75 | 84 | 无业 | 首诊 | 无 |
#3
df3=read.csv("covid19-3.csv",header=TRUE,fileEncoding="GBK")
colnames(df3)
tail(df3,3)
| 序号 | 职业 | 病史 | 吸烟 | |
|---|---|---|---|---|
| 67 | 81 | 医生 | 外院转入 | 无 |
| 68 | 82 | 无 | 首诊 | 无 |
| 69 | 84 | 无业 | 首诊 | 无 |
#4
df4=rbind(df2,df3)
df4=unique(df4)
dim(df4)
#5
df=merge(df1,df4,by.x = "序号", by.y = "序号", all.x = TRUE)
dim(df)
#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 | |
|---|---|---|---|---|---|---|---|---|---|---|
| 19 | 19 | 普通型 | 男 | 22 | 20200129 | 20200303 | NA | 学生 | 首诊 | 无 |
| 29 | 29 | 普通型 | 女 | 27 | 20200131 | 20200305 | NA | 会计 | 首诊 | 无 |
| 37 | 37 | 普通型 | 女 | 53 | 20200203 | 20200305 | NA | 无业 | 首诊 | 无 |
| 42 | 42 | 普通型 | 男 | 35 | 20200128 | 20200301 | NA | 职员 | 首诊 | 无 |
| 45 | 45 | 普通型 | 女 | 45 | 20200207 | 20200301 | NA | 无业 | 首诊 | 无 |
| 46 | 46 | 普通型 | 女 | 42 | 20200207 | 20200302 | NA | 个体 | 首诊 | 无 |
| 47 | 47 | 普通型 | 女 | 69 | 20200207 | 20200301 | NA | 无业 | 首诊 | 无 |
| 50 | 50 | 普通型 | 女 | 35 | 20200205 | 20200227 | NA | 职员 | 首诊 | 无 |
| 53 | 55 | 重型 | 男 | 63 | 20200211 | 20200307 | NA | 退休 | 外院转入 | 无 |
| 55 | 57 | 重型 | 男 | 57 | 20200201 | 20200229 | NA | 农民 | 首诊 | 无 |
| 73 | 82 | 普通型 | 男 | 5 | 20200131 | 20200213 | NA | 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 |
|---|
#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 | 2020-01-21 | 2020-02-11 | 22 | 职员 | 首诊 | 无 |
| 2 | 重型 | NA | 47 | 2020-01-21 | 2020-02-14 | 25 | 无业 | 首诊 | 无 |
| 3 | 重型 | 男 | 51 | 2020-01-24 | 2020-02-07 | 15 | 职员 | 首诊 | 有 |
| 4 | 普通型 | 男 | 24 | 2020-01-22 | 2020-02-03 | 13 | 地铁工作 | 首诊 | 无 |
| 5 | 普通型 | 男 | 47 | 2020-01-22 | 2020-02-08 | 18 | 销售 | 首诊 | 有 |
| 6 | 普通型 | 女 | 40 | 2020-01-25 | 2020-02-08 | 15 | 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 | |
|---|---|---|---|---|---|---|---|---|---|---|
| 2 | 2 | 重型 | NA | 47 | 2020-01-21 | 2020-02-14 | 25 | 无业 | 首诊 | 无 |
基于数据框df实现如下操作:
按病史分别统计年龄、疗程的均值;
按入院时间对df进行排序,升序,入院时间越早,排序更靠前;
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;
显示不抽烟、重型且年龄大于60岁的病人的出入院时间;
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);
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。
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;
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;
#1
aggregate(df[,c(4,7)], by = df["病史"], mean)
| 病史 | 年龄 | 疗程 |
|---|---|---|
| 外院转入 | 58.08333 | 14.16667 |
| 首诊 | 42.12698 | 19.34921 |
#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 | 2020-01-21 | 2020-02-11 | 22 | 职员 | 首诊 | 无 |
| 2 | 2 | 重型 | NA | 47 | 2020-01-21 | 2020-02-14 | 25 | 无业 | 首诊 | 无 |
| 4 | 4 | 普通型 | 男 | 24 | 2020-01-22 | 2020-02-03 | 13 | 地铁工作 | 首诊 | 无 |
| 5 | 5 | 普通型 | 男 | 47 | 2020-01-22 | 2020-02-08 | 18 | 销售 | 首诊 | 有 |
| 66 | 75 | 普通型 | 男 | 30 | 2020-01-22 | 2020-01-29 | 8 | 金融 | 首诊 | 无 |
| 9 | 9 | 普通型 | 女 | 24 | 2020-01-23 | 2020-02-10 | 19 | 职员 | 首诊 | 无 |
#3
tad3=tapply(df[,"性别"], INDEX = df["分型"], table,useNA="always")
tad3
$普通型 女 男 <NA> 28 26 0 $重型 女 男 <NA> 3 17 1
#4
df[which(df$吸烟=="无" &df$分型=="重型" & df$年龄>60),5:6]
| 入院时间 | 出院时间 | |
|---|---|---|
| 30 | 2020-02-01 | 2020-02-23 |
| 52 | 2020-02-10 | 2020-02-24 |
| 53 | 2020-02-11 | 2020-03-07 |
| 56 | 2020-02-06 | 2020-02-23 |
| 61 | 2020-02-08 | 2020-02-17 |
| 63 | 2020-02-06 | 2020-02-24 |
| 70 | 2020-02-06 | 2020-02-20 |
| 72 | 2020-02-13 | 2020-02-24 |
| 74 | 2020-02-21 | 2020-02-25 |
#5
res1=table( df[,"性别"], df[,"分型"])
res1
普通型 重型
女 28 3
男 26 17
基于数据框df实现如下操作:
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;
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";
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";
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;
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。
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;
多组箱线图:boxplot(Y~ X, data,col)
colnames(df)[7]="Treatment Course"
colnames(df)[4]=c("Age")
#1
hist(df[, "Treatment Course"],xlab="Treatment Course",ylab="Freq",main="Histogram of treatment course distribution")
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")
#2
colnames(res1)=c("Ordinary","Heavy")
rownames(res1)=c("Female","Male")
barplot(res1, beside=TRUE, legend=TRUE,col=c("darkgoldenrod","cyan"))
#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"))