Screening von Spalten

Eine schnelle Übersicht über die Spalten eines Data Frames ist wichtig. Mit dieser Art von Analyse stellt man sicher, dass alle Spalten den erwarteten Inhalt haben. Sofern die Datenerhebung nicht äußerst sorgfältig erfolgt ist, hat wahrscheinlich mindestens eine Variable nicht die erwartete Formatierung. Schon ein einziges nichtnumerisches Zeichen in einer Spalte mit Datumsangaben oder numerischen Werten genügt, damit R die gesamte Spalte als Textspalte interpretiert.

Es gibt eine Reihe von Packages und Funktionen, mit denen sich Übersichten über Data Frames erstellen lassen. Im Folgenden werden einige Funktionen mit kleinen, aber wichtigen Unterschieden vorgestellt.

Wir beginnen mit dem Package mlr, das die Funktion summarizeColumns() enthält. Das Package mlr muss installiert sein, damit die Funktion verwendet werden kann. Installieren und laden Sie das Package wie folgt:

install.packages("mlr")
library(mlr)

mlr verwendet häufig die wissenschaftliche Notation (scientific notation), das heißt, sehr große und sehr kleine Zahlen werden in Exponentialschreibweise ausgegeben; beispielsweise wird 100000000 als 1e+08 ausgegeben. Die wissenschaftliche Notation lässt sich mit folgendem Befehl abschalten:

## Wissenschaftliche Notation (scientific notation) in R abschalten
options(scipen = 999)

Verwenden Sie anschließend die Funktion summarizeColumns(), um den Inhalt unseres Data Frames (rhc) zu prüfen:

summarizeColumns(rhc)

Sie können dplyr-Funktionen (z. B. filter, select) mit summarizeColumns() kombinieren, um die Eigenschaften der Spalten in einer Subgruppe des Datensatzes zu prüfen. Im Folgenden erstellen wir die Tabelle erneut, schließen aber nur Patienten ohne Krebserkrankung ein (ca="No"):

rhc |>
  filter(ca=="No") |>
  summarizeColumns()

Unten sind nur die ersten 4 Variablen dargestellt.

summarizeColumns() liefert keine Informationen über die Stufen (Levels) kategorialer Variablen (Factors). Diese erhält man mit folgendem Befehl:

summarizeLevels(rhc)

$ca
Metastatic         No        Yes
       384       4379        972

$card
  No  Yes
3804 1931

$cat1
              ARF               CHF         Cirrhosis      Colon Cancer              Coma              COPD
             2490               456               224                 7               436               457
      Lung Cancer MOSF w/Malignancy     MOSF w/Sepsis
               39               399              1227

$cat2
        Cirrhosis      Colon Cancer              Coma       Lung Cancer MOSF w/Malignancy     MOSF w/Sepsis
               38                 2                90                15               229               826

$death
  No  Yes
2013 3722

$dnr1
  No  Yes
5081  654

$dth30
  No  Yes
3817 1918

$gastr
  No  Yes
4793  942

$hema
  No  Yes
5381  354

$income
    > $50k   $11-$25k   $25-$50k Under $11k
       451       1165        893       3226

Screening mit Hmisc

Das Package Hmisc enthält zahlreiche nützliche Funktionen für Exploration und Analyse. Mit der Funktion describe() werden alle Spalten eines Data Frames beschrieben. Installieren und laden Sie zunächst Hmisc:

install.packages("Hmisc")
library(Hmisc)

Nun erzeugen wir das Objekt rhc_described, indem wir die Funktion describe() auf unseren Data Frame anwenden. Anschließend geben wir das Ergebnis mit der Funktion html() aus.

rhc_described <- describe(rhc)
html(rhc_described, size = 80)

Im nächsten Schritt verwenden wir weitere Funktionen aus Hmisc, um Häufigkeitsdiagramme und Histogramme zu erstellen. Details finden Sie in den Kommentaren im Code:

## Wendet die Funktion plot() auf unser Objekt rhc_described an
rhc_described_plots <- plot(rhc_described)

## Untersucht die Verteilungen kategorialer Daten
rhc_described_plots$Categorical

## Untersucht die Histogramme kontinuierlicher Daten
rhc_described_plots$Categorical

Spaltendaten stratifiziert nach einer kategorialen Variable erzeugen

Hmisc enthält die Funktion summaryM(), die die Eigenschaften von Variablen stratifiziert nach einer kategorialen Variable darstellt. Die kategoriale Variable ist in der Regel ein Endpunkt (Ereignis, Outcome) der Studie. Die Funktion summaryM() ist insofern besonders, als sie die darzustellenden Variablen über eine Formel festlegt. Die Funktion berechnet außerdem verschiedene Hypothesentests für Gruppenunterschiede. Ob solche Hypothesentests (p-Werte) sinnvoll sind, hängt vom Kontext ab. Meist ist es unangebracht, routinemäßig Hypothesentests durchzuführen, um nach Gruppenunterschieden zu suchen oder um festzulegen, welche Variablen in ein statistisches Modell aufgenommen werden sollen.

Im Folgenden wird die Funktion demonstriert. Beachten Sie, dass die zu untersuchenden Variablen links von der Tilde (~) stehen, getrennt durch +, und das Outcome rechts von ~. Wir wenden die Funktion html() auf das Ergebnis an, um eine ästhetisch ansprechende Darstellung zu erhalten.

rhc_summary <- summaryM(age + alb1 + card + crea1 + hema1 + trauma + edu + dementhx ~ death,
              data = rhc,
              overall = TRUE,
              test = TRUE)

html(rhc_summary,
     caption='Prediktorer i relation till död',
     exclude1 = TRUE,
     npct = 'both',
     digits = 2,
     prmsd = TRUE,
     brmsd = TRUE)