Nachdem die Daten aufbereitet wurden, müssen Exploration und Deskription mit großer Sorgfalt erfolgen. Das Wissen über die Beschaffenheit der Daten ist grundlegend für ein gutes Endergebnis. Der Analytiker muss die Art der Variablen, ihre Verteilungen, die Missingness (fehlende Daten), Korrelationen und so weiter gut kennen. Für die Exploration von Daten werden sowohl Funktionen aus Base R als auch Funktionen aus anderen Packages benötigt. Diese Packages sind entscheidend für eine adäquate und effiziente Exploration und Deskription. Wir verwenden keine klassischen Übungsdatensätze (z. B. gapminder oder mpg), da ihnen mehrere wichtige Variablentypen fehlen (etwa Überlebenszeitdaten, Datumsvariablen usw.). Stattdessen verwenden wir Daten aus einer klinischen Studie namens Right Heart Catetherization (RHC), die mit dem folgenden Code heruntergeladen werden können.
Zunächst laden wir RHC auf die Festplatte (den Computer) herunter und sortieren anschließend die Variablen alphabetisch. Die Sortierung ist ohne Bedeutung und erfolgt nur, damit die Variablen in unserem Data Frame dieselbe Reihenfolge haben wie in Tabelle 1, in der die Variablen erläutert werden. Glücklicherweise müssen Sie keine Details über die Variablen in RHC kennen, aber es kann sich lohnen, ein paar Minuten mit der Variablenliste zu verbringen, um ein Gefühl dafür zu bekommen, mit welchen Daten wir arbeiten.
## Daten importieren
rhc <- read.csv("https://hbiostat.org/data/repo/rhc.csv", header = TRUE)
## Spalten alphabetisch sortieren
rhc <- select(rhc, sort(names(rhc)))
## Daten inspizieren
head(rhc)| adld3p <int> | age <dbl> | alb1 <dbl> | amihx <int> | aps1 <int> | bili1 <dbl> | ca <chr> | card <chr> | cardiohx <int> |
|---|---|---|---|---|---|---|---|---|
| 0 | 70.25098 | 3.500000 | 0 | 46 | 1.0097656 | Yes | Yes | 0 |
| NA | 78.17896 | 2.599609 | 0 | 50 | 0.6999512 | No | No | 1 |
| NA | 46.09198 | 3.500000 | 0 | 82 | 1.0097656 | Yes | Yes | 0 |
| NA | 75.33197 | 3.500000 | 0 | 48 | 0.3999634 | No | No | 0 |
| NA | 67.90997 | 3.500000 | 0 | 72 | 1.0097656 | No | Yes | 0 |
| 0 | 86.07794 | 3.099609 | 0 | 38 | 1.0097656 | No | No | 0 |
Auszug aus den RHC-Daten. Die Erläuterung der Variablen folgt in Tabelle 1.
Tabelle 1. Erläuterungen zu den Variablen in den RHC-Daten.
| Variable | Definition |
|---|---|
| Adld3p | ADL (activity of daily living) |
| Age | Age |
| Alb1 | Albumin |
| Amihx | Definite Myocardial Infarction |
| Aps1 | APACHE score |
| Bili1 | Bilirubin |
| Ca | Cancer |
| Card | Cardiovascular Diagnosis |
| Cardiohx | Acute MI, Peripheral Vascular Disease, Severe Cardiovascular Symptoms (NYHA-Class III), Very Severe Cardiovascular Symptoms (NYHA-Class IV) |
| Cat1 | Primary disease category |
| Cat2 | Secondary disease category |
| Chfhx | Congestive Heart Failure |
| Chrpulhx | Chronic Pulmonary Disease, Severe Pulmonary Disease, Very Severe Pulmonary Disease |
| Crea1 | Creatinine |
| Das2d3pc | DASI ( Duke Activity Status Index) |
| Death | Death at any time up to 180 Days |
| Dementhx | Dementia, Stroke or Cerebral Infarct, Parkinson’s Disease |
| Dnr1 | DNR status on day1 |
| Dschdte | Hospital Discharge Date |
| Dthdte | Date of Death |
| Edu | Years of education |
| Gastr | Gastrointestinal Diagnosis |
| Gibledhx | Upper GI Bleeding |
| Hema | Hematologic Diagnosis |
| Hema1 | Hematocrit |
| Hrt1 | Heart rate |
| Immunhx | Immunosupperssion, Organ Transplant, HIV Positivity, Diabetes Mellitus Without End Organ Damage, Diabetes Mellitus With End Organ Damage, Connective Tissue Disease |
| Income | Income |
| Liverhx | Cirrhosis, Hepatic Failure |
| Lstctdte | Date of Last Contact |
| Malighx | Solid Tumor, Metastatic Disease, Chronic Leukemia/Myeloma, Acute Leukemia, Lymphoma |
| Meanbp1 | Mean blood pressure |
| Meta | Metabolic Diagnosis |
| Neuro | Neurological Diagnosis |
| Ninsclas | Medical insurance |
| Ortho | Orthopedic Diagnosis |
| Paco21 | PaCo2 |
| Pafi1 | PaO2/FIO2 ratio |
| Ph1 | PH |
| Pot1 | Potassium |
| Psychhx | Psychiatric History, Active Psychosis or Severe Depression |
| Ptid | Patient ID |
| Race | Race |
| Renal | Renal Diagnosis |
| Renalhx | Chronic Renal Disease, Chronic Hemodialysis or Peritoneal Dialysis |
| Resp | Respiratory Diagnosis |
| Resp1 | Respiratory rate |
| Sadmdte | Study Admission Date |
| Scoma1 | Glasgow Coma Score |
| Seps | Sepsis Diagnosis |
| Sex | Sex |
| Sod1 | Sodium |
| Surv2md1 | Support model estimate of the prob. of surviving 2 months |
| Swang1 | Right Heart Catheterization (RHC) |
| Temp1 | Temperature |
| Transhx | Transfer (> 24 Hours) from Another Hospital |
| Trauma | Trauma Diagnosis |
| Urin1 | Urine output |
| Wblc1 | WBC |
| Wtkilo1 | Weight |
Erläuterung der Variablen in RHC.
In den folgenden Kapiteln werden verschiedene Arten der Exploration und Deskription behandelt.