2023年鄭老師多門科研統(tǒng)計(jì)課程：多次直播，含孟德爾隨機(jī)化方法? ?

提到數(shù)據(jù)分析，首先會(huì)想到的可能是t檢驗(yàn)、回歸分析等各種具體的分析方法，但對于經(jīng)歷過完整數(shù)據(jù)分析的同學(xué)來說，最復(fù)雜、最耗費(fèi)時(shí)間的步驟往往是數(shù)據(jù)的清理，也就是將數(shù)據(jù)整理成為能夠進(jìn)行上述統(tǒng)計(jì)分析的格式。

在實(shí)際數(shù)據(jù)分析過程中，原始數(shù)據(jù)因?yàn)楦鞣N因素，通常是不符合或者不滿足我們分析與建模需求的。為配合進(jìn)行更好的分析，可能涉及到以下數(shù)據(jù)處理工作：定義變量名；計(jì)算變量；轉(zhuǎn)換變量，添加數(shù)據(jù)標(biāo)簽等。

接下來我們結(jié)合R語言自帶MASS數(shù)據(jù)集birthwt實(shí)操數(shù)據(jù)集，分別通過SPSS與R語言軟件開展數(shù)據(jù)集整理，方便大家對兩種方法的特點(diǎn)有更加直觀的認(rèn)識(shí)！

R語言自帶MASS數(shù)據(jù)集birthwt，是一份于1986年在在馬薩諸塞州收集的與嬰兒出生體重低相關(guān)的危險(xiǎn)因素的數(shù)據(jù)。根據(jù)嬰兒出生體重是否小于2.5kg，分為低出生組（59例）與正常組（130例）。研究的暴露因素見下表。

接下來，我們分別采用R語言軟件和SPSS軟件，對數(shù)據(jù)集進(jìn)行整理，主要圍繞下面四部分展開：

1.定義變量名；

2.計(jì)算變量；

3.轉(zhuǎn)換變量；

4.添加數(shù)據(jù)標(biāo)簽

一、R語言進(jìn)行數(shù)據(jù)整理

1.定義變量名

R語言使用reshape包的rename函數(shù)修改數(shù)據(jù)變量的名稱。例如，使用rename函數(shù)自定義修改變量bwt的名稱

（1）安裝和加載R包

install.packages("reshape")

library(reshape)

（2）將變量bwt重命名為BWT

birthwt <- rename(birthwt, c(bwt="BWT"))

str(birthwt)

2.計(jì)算變量

例：原數(shù)據(jù)集中變量BWT單位為g，現(xiàn)通過計(jì)算，單位變?yōu)榻?/p>

birthwt$BWT1<-birthwt$BWT*0.001*2 #生成新變量BWT1

3.轉(zhuǎn)換變量

（1）變量值轉(zhuǎn)換

用cut函數(shù)對變量進(jìn)行分組并為分組變量賦值。將變量ftv分為三組，分別為0次，1次和2次以上。

birthwt$ftv1<-cut(birthwt$ftv,breaks = c(0,1,2,Inf),

labels=c("0","1","2+"),right = F,include.lowest = T)

cut函數(shù)表達(dá)式：cut(x,breaks,labels,right,include.lowest)。

參數(shù)解讀：x為待劃分的數(shù)據(jù)；

breaks為劃分依據(jù)（區(qū)間）；

labels為劃分的各組打標(biāo)簽；

right=T，區(qū)間左開右閉，right=F，則左閉右開；（開區(qū)間不包括端點(diǎn)（a,b），閉區(qū)間包括端點(diǎn)[a,b]）

include.lowest=T，第一個(gè)區(qū)間包含左端點(diǎn)，最后一個(gè)區(qū)間包含右端點(diǎn)。

（2）轉(zhuǎn)換為邏輯值

變量low、smoke、ptl、ht、ui為二分類數(shù)據(jù)，且結(jié)果為0=否，1=是。as.logical函數(shù)：as.logical（A）將A轉(zhuǎn)換為一個(gè)邏輯值數(shù)組。A中的任意非零元素都將轉(zhuǎn)換為邏輯值1（TRUE），零則轉(zhuǎn)換為邏輯值0（FALSE）。

birthwt$low<-as.logical(birthwt$low)#將low變量轉(zhuǎn)換為邏輯值

birthwt$smoke<-as.logical(birthwt$smoke)#將smoke變量轉(zhuǎn)換為邏輯值

（3）轉(zhuǎn)換為因子

birthwt$race<-factor(birthwt$race,levels=c(1,2,3))#將race變量轉(zhuǎn)換為因子，levels對數(shù)據(jù)進(jìn)行排序

varF <- c("low","race","smoke","ptl","ht","ui","ftv")#批量因子化

birthwt[varF] <- lapply(birthwt[varF], factor)

（4）轉(zhuǎn)換為數(shù)值型

birthwt $age<-as.numeric(birthwt $age)

birthwt $lwt<-as.numeric(birthwt $lwt)

4.添加數(shù)據(jù)標(biāo)簽

為變量race添加數(shù)據(jù)標(biāo)簽，1=white；2=black；3=other

birthwt$race <- factor(birthwt $race,levels=c(1,2,3) ,

labels = c("white","black","other"))#levels對數(shù)據(jù)進(jìn)行排序，第一位為對照，labels添加標(biāo)簽，與levels順序?qū)?yīng)

如果每次引用的時(shí)候都使用“數(shù)據(jù)框名$變量名”的形式會(huì)非常麻煩，尤其是當(dāng)數(shù)據(jù)框名比較繁瑣的時(shí)候。為了簡化這個(gè)過程，使用 R 語言的 with 函數(shù)，我們可以一次性完成對 R語言表達(dá)式的操作以及調(diào)用該函數(shù)的過程，一起看一下吧！

函數(shù)with()的使用方式為：with(data, expr, ...)。其中參數(shù)data就是需要進(jìn)行運(yùn)算的數(shù)據(jù)集，參數(shù)expr就是需要做的運(yùn)算等。這個(gè)函數(shù)的意思就是對指定的數(shù)據(jù)集做相應(yīng)的運(yùn)算。由于指定了對應(yīng)的數(shù)據(jù)集，因此直接使用對應(yīng)的變量名運(yùn)算就可以，不需要在使用“數(shù)據(jù)框名$變量名”的形式。

birthwt1<- with(birthwt, { race <- factor(race,levels=c(1,2,3) ,

labels = c("white","black", "other"))#factor轉(zhuǎn)換為因子，labels打標(biāo)簽

ptd <- factor(ptl > 0)#轉(zhuǎn)換為因子，大于0為true

ftv <- factor(ftv)#轉(zhuǎn)換為因子

levels(ftv)[-(1:2)] <- "2+"#1,2指的是位次，第三位及以上賦值為2+

bwt<-bwt*0.001*2#計(jì)算變量

data.frame(low=(low>0)，bwt, age, lwt, race, smoke = (smoke > 0),

ptd, ht = (ht > 0), ui = (ui > 0), ftv)#生成數(shù)據(jù)框

})

二、SPSS進(jìn)行數(shù)據(jù)整理

首先，我想一般情況下，數(shù)據(jù)一開始的形式，經(jīng)常是EXCEL的格式，基本格式如下：

l 首行是變量名，一般是英文或者拼音，不建議用漢字。

l 從第二行開始，每一行都代表著一個(gè)研究對象的所有變量信息。

l 每一列都代表所有人一個(gè)變量的變量值

l 一般建議，CSV和excel中的變量值，建議用數(shù)字表示，比如男性=1，女性=2；血型（1、2、3、4），這種做法比較靈活，而且可以保證數(shù)據(jù)集在各統(tǒng)計(jì)軟件通行無阻。對于數(shù)據(jù)集賦值不清者，請列一份變量賦值表

l 缺失值默認(rèn)處理，一般是空白代替，不要寫NA6.除非特殊字符串（比如姓名），數(shù)據(jù)庫不要出現(xiàn)漢字或者英文字符串，會(huì)導(dǎo)致后續(xù)分析被卡。

關(guān)于數(shù)據(jù)整理的內(nèi)容，和R語言一樣，主要圍繞下面四部分展開：

1.定義變量名

僅需在變量視圖下名稱一列雙擊修改即可。

2.計(jì)算變量

僅需在轉(zhuǎn)換——計(jì)算變量中，輸入要產(chǎn)生的新變量名BWT1，再輸入計(jì)算公式即可。

3.轉(zhuǎn)換變量

（1）變量值轉(zhuǎn)換

在很多情況下，可以將定量數(shù)據(jù)轉(zhuǎn)換為定性數(shù)據(jù)（二分類、多分類），有序數(shù)據(jù)轉(zhuǎn)換成二分類。這是因?yàn)椴煌臄?shù)據(jù)，有不同的統(tǒng)計(jì)策略：

·定量數(shù)據(jù)——t檢驗(yàn)

·轉(zhuǎn)換為等級數(shù)據(jù)——秩和檢驗(yàn)

·轉(zhuǎn)換為二分類數(shù)據(jù)——卡方檢驗(yàn)

這里更推薦“重新編碼為不同變量”，會(huì)產(chǎn)生新變量，而不改變原有變量。

例：定量轉(zhuǎn)換為有序多分類

變量值轉(zhuǎn)換，將ftv轉(zhuǎn)換為0次，1次和2+次。輸入“標(biāo)簽”后一定要點(diǎn)擊“變化量”。

僅需輸入舊值和新值，再點(diǎn)添加，即可轉(zhuǎn)換變量值。由于2+是字符型，所以要勾選輸出變量是字符串。

（2）很多導(dǎo)入的數(shù)據(jù)都默認(rèn)為“名義”，所謂名義就是無序分類數(shù)據(jù)。還有“標(biāo)度”，為定量數(shù)據(jù)，“有序”為有序分類數(shù)據(jù)。如果需要修改，點(diǎn)擊下拉菜單即可修改。

4.添加數(shù)據(jù)標(biāo)簽

對變量值打標(biāo)簽：上面說過，我們很多分類變量，其變量值一般也用1234構(gòu)成，但是1234 如果意思不知道怎么辦嘛？就需要在“值”這一列對分類變量值注釋。

最后，諸位可能會(huì)從SPSS導(dǎo)出數(shù)據(jù)到R語言或其他平臺(tái)進(jìn)行數(shù)據(jù)分析，數(shù)據(jù)導(dǎo)出格式更加推薦csv形式，這種格式對缺失值處理以空白代替，而非NA代替這里有個(gè)注意，導(dǎo)出的數(shù)據(jù)，可以以值標(biāo)簽的名義導(dǎo)出，也可以以原始值的名義導(dǎo)出。一般情況下，都推薦原始數(shù)據(jù)值，方便后續(xù)對數(shù)據(jù)集進(jìn)行修改。除非，你在SPSS數(shù)據(jù)庫已經(jīng)完全整理好了你的變量值，尤其是分類變量值，并做好了分類。

通過以上內(nèi)容，不知道諸位是否和我一樣，R語言對新手小白來說真的太難太難了，相比而言，SPSS軟件操作上容易上手，簡單易學(xué)，大部分功能都是可視化呈現(xiàn)的，操作的話點(diǎn)擊鼠標(biāo)就可以完成。建議大家有能力的用R語言來進(jìn)行數(shù)據(jù)整理，實(shí)在不行也不要勉強(qiáng)，SPSS也很不錯(cuò)！