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;

In [1]:
#第一题
df1 <- read.csv("covid19.csv",header=TRUE,fileEncoding="GBK",na.string="") #第二个病人的性别没有记载,应认定为缺失值。
head(df1,n=5)

#第二题
df2 <- read.csv("covid19-2.csv",header=TRUE,fileEncoding="GBK")
tail(df2,n=3)

#第三题
df3 <- read.csv("covid19-3.csv",header=TRUE,fileEncoding="GBK")
tail(df3,n=3)

#第四题
#dim(df2)  由于df3数据都在df2里,合并后df4的行和列应该是df2的相应值
df4<- rbind(df2,df3)
df4<-df4[!duplicated(df4),]
#dim(df4)   #此时由于df3数据都在df2里,故输出的应该是 75 4

#第五题
df<- merge(df1,df4,by.x="序号",by.y="序号",all.x=TRUE)
#dim(df)   #验证
#第六题

df[is.na(df$疗程),]
df_copy<-df    #建立转换时间的副本
df_copy[,"入院时间"] <- as.Date(as.character(df_copy[,"入院时间"]), format = "%Y%m%d")
df_copy[,"出院时间"] <- as.Date(as.character(df_copy[,"出院时间"]), format = "%Y%m%d")
df[is.na(df$疗程),"疗程"]<- as.numeric(df_copy[is.na(df_copy$疗程),"出院时间"]-df_copy[is.na(df_copy$疗程),"入院时间"])+1
df   #验证填充正确

#第七题
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
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
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
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
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
1 重型 男 49 202001212020021122 职员 首诊 无
2 重型 NA 47 202001212020021425 无业 首诊 无
3 重型 男 51 202001242020020715 职员 首诊 有
4 普通型 男 24 202001222020020313 地铁工作首诊 无
5 普通型 男 47 202001222020020818 销售 首诊 有
6 普通型 女 40 202001252020020815 个体 首诊 无
7 普通型 女 50 202001252020020310 个体 首诊 无
8 普通型 男 55 202001262020021016 无业 首诊 无
9 普通型 女 24 202001232020021019 职员 首诊 无
10 普通型 女 50 202001282020021014 个体 首诊 无
11 普通型 男 51 202001282020021721 干部 首诊 无
12 重型 男 29 202001292020021114 职员 首诊 无
13 普通型 男 49 202001292020022629 职员 首诊 无
14 普通型 男 53 202001292020021316 职员 首诊 无
15 普通型 男 22 202001292020021316 学生 首诊 无
16 普通型 男 22 202001292020022528 销售 首诊 无
17 普通型 男 21 202001292020022427 学生 首诊 无
18 普通型 男 39 202001292020021518 无业 首诊 无
19 普通型 男 22 202001292020030335 学生 首诊 无
20 普通型 女 22 202001302020022527 职员 首诊 无
21 普通型 女 16 202001302020021214 学生 首诊 无
22 普通型 女 37 202001302020021416 个体经营首诊 无
23 普通型 男 37 202001302020021517 个体经营首诊 无
24 普通型 女 47 202001312020022021 个体经营首诊 无
25 普通型 男 34 202001312020021314 个体 首诊 有
26 普通型 女 32 202001312020022021 无业 首诊 无
27 普通型 女 27 202002012020021919 教师 首诊 无
28 普通型 男 28 202001312020022526 采购 首诊 无
29 普通型 女 27 202001312020030535 会计 首诊 无
30 重型 男 68 202002012020022324 农民 首诊 无
⋮⋮⋮⋮⋮⋮⋮⋮⋮⋮
46 普通型 女 42 202002072020030225 个体 首诊 无
47 普通型 女 69 202002072020030124 无业 首诊 无
48 普通型 女 48 202002072020022014 无业 首诊 无
49 普通型 女 50 202002052020022622 医生 首诊 无
50 普通型 女 35 202002052020022723 职员 首诊 无
51 普通型 女 55 202202052020022218 自由职业首诊 无
54 重型 男 88 202002102020022415 退休 外院转入无
55 重型 男 63 202002112020030726 退休 外院转入无
56 重型 男 36 202002072020021812 职员 外院转入无
57 重型 男 57 202002012020022929 农民 首诊 无
58 重型 男 62 202002062020022318 个体经营外院转入无
59 重型 男 53 202002092020021811 农民 外院转入无
60 重型 男 42 202002092020022311 农民 外院转入无
61 普通型 男 52 202002052020021713 农民 外院转入无
63 重型 女 56 202002092020022618 农民 外院转入无
65 重型 男 61 202002082020021711 不详 外院转入无
68 普通型 男 75 202001312020021113 退休 首诊 无
71 重型 男 91 202002062020022419 无 首诊 无
73 普通型 男 44 202002082020022417 无业 首诊 无
74 重型 女 44 202002052020022218 个体 外院转入无
75 普通型 男 30 2020012220200129 8 金融 首诊 无
76 普通型 男 40 202001282020020610 汽修工 首诊 无
77 普通型 女 52 202001292020022023 服务行业首诊 无
78 普通型 女 29 2020012920200206 9 公务员 首诊 无
79 重型 男 69 202002062020022015 退休 首诊 无
80 重型 女 56 202001312020022324 农民 首诊 无
81 重型 男 68 202002132020022412 医生 外院转入无
82 普通型 男 5 202001312020021314 无 首诊 无
83 重型 男 72 2020022120200225 5 农民 外院转入无
84 重型 男 29 202002082020022013 无业 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 202001212020021425 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);

In [2]:
#第一题
  #一起显示
aggregate(df[,c("年龄","疗程")], by = df["病史"], mean)   
  #分开显示
aggregate(df[,"年龄"], by = df["病史"], mean) 
aggregate(df[,"疗程"], by = df["病史"], mean) 

#第二题
head(df[order(df$入院时间,decreasing=FALSE),],n=10)  #为了方便看,只展示前十行

#第三题
as.list(tapply(df$性别,INDEX=df["分型"],table,useNA="always"))

#第四题
df[(df$吸烟=="无")&(df$分型=="重型")&(df$年龄>60),c("出院时间","入院时间")]

#第五题
res1<-table(df$性别,df$分型)
class(res1)   #验证是table格式
res1
病史年龄疗程
外院转入58.0833314.16667
首诊 42.1269819.34921
病史x
外院转入58.08333
首诊 42.12698
病史x
外院转入14.16667
首诊 19.34921
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 202001212020021122 职员 首诊 无
2 2 重型 NA 47 202001212020021425 无业 首诊 无
4 4 普通型 男 24 202001222020020313 地铁工作首诊 无
5 5 普通型 男 47 202001222020020818 销售 首诊 有
6675 普通型 男 30 2020012220200129 8 金融 首诊 无
9 9 普通型 女 24 202001232020021019 职员 首诊 无
3 3 重型 男 51 202001242020020715 职员 首诊 有
6 6 普通型 女 40 202001252020020815 个体 首诊 无
7 7 普通型 女 50 202001252020020310 个体 首诊 无
8 8 普通型 男 55 202001262020021016 无业 首诊 无
$普通型

  女   男 <NA> 
  28   26    0 

$重型

  女   男 <NA> 
   3   17    1 
出院时间入院时间
302020022320200201
522020022420200210
532020030720200211
562020022320200206
612020021720200208
632020022420200206
702020022020200206
722020022420200213
742020022520200221
'table'
    
     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";

In [3]:
#第一题
hist(df[, "疗程"],  main = 'Frequency(number) distribution histogram of treatment', xlab = 'Treatment', ylab = 'Frequency(number)')
hist(df[, "疗程"],  main = 'Frequency(proportion) distribution histogram of treatment', xlab = 'Treatment', ylab = 'Frequency(proportion)',freq=FALSE)
lines(density(df[, "疗程"]), lwd = 5, col = "black")
#第二题
df_1<-df
barplot(res1,main="Sex distribution of patients with different disease types",beside=TRUE,col=c("darkgoldenrod","cyan"),legend=TRUE,names=c("ordinary type","heavy type"))
#第三题
boxplot(年龄~性别,data=df,col=c("darkgoldenrod","cyan"),names=c("female","male"))   #实际上代码应该是c("cyan","darkgoldenrod"),但不知为何在平台上男女数据反过来了,于是不得不反着写