gtsummary | 绘制回归模型结果表

简介: gtsummary | 绘制回归模型结果表

gtsummary

gtsummary包提供了一种优雅而灵活的方式来创建可供发表的分析表和汇总表。gtsummary包可以总结数据集、回归模型结果等。总结数据集即对数据进行描述统计,与我们之前介绍的table1包相似。详见:R实战 | 文章第一表:三线表的绘制。今天我们主要介绍回归模型结果表达绘制。

回归模型结果表

绘制

# 安装并加载包
install.packages("gtsummary")
library(gtsummary)
# 示例数据
head(trial)
> head(trial)
# A tibble: 6 × 8
  trt      age marker stage grade response death ttdeath
  <chr>  <dbl>  <dbl> <fct> <fct>    <int> <int>   <dbl>
1 Drug A    23  0.16  T1    II           0     0    24  
2 Drug B     9  1.11  T2    I            1     0    24  
3 Drug A    31  0.277 T1    II           0     0    24  
4 Drug A    NA  2.07  T3    III          1     1    17.6
5 Drug A    51  2.77  T4    III          1     1    16.4
6 Drug B    39  0.613 T4    I            0     1    15.6
# 建模
mod1 <- glm(response ~ trt + age + grade, trial, family = binomial)
# tbl_regression()绘制表格
t1 <- tbl_regression(mod1, exponentiate = TRUE)
t1

t1

# 合并多种回归结果表
library(survival)
# 生存模型
t2 <-
  coxph(Surv(ttdeath, death) ~ trt + grade + age, trial) %>%
  tbl_regression(exponentiate = TRUE) # 这里用了管道符简化
t2
# merge tables 
tbl_merge_ex1 <-
  tbl_merge(
    tbls = list(t1, t2),
    tab_spanner = c("**Tumor Response**", "**Time to Death**")
  )
tbl_merge_ex1

tbl_merge_ex1

导出结果

# 保存为.html .tex .ltx .rtf
tbl_merge_ex1 %>%
  as_gt() %>%
  gt::gtsave(filename = "tbl_merge_ex1.html") # use extensions .html .tex .ltx .rtf
# 保存为word
install.packages('gdtools')
install.packages('flextable')
tf <- tempfile(fileext = ".docx")
tbl_merge_ex1 %>%
  as_flex_table() %>%
  flextable::save_as_docx(path = tf)

更多详细参数设置:Tutorial: tbl_summary • gtsummary (danieldsjoberg.com)(https://www.danieldsjoberg.com/gtsummary/articles/tbl_summary.html)

示例数据和代码领取

点赞在看 本文,分享至朋友圈集赞20个保留30分钟,截图发至微信mzbj0002领取。

木舟笔记2022年度VIP可免费领取

木舟笔记2022年度VIP企划

权益:

  1. 2022年度木舟笔记所有推文示例数据及代码(在VIP群里实时更新)。
    资源合集
  2. 木舟笔记科研交流群
  3. 半价购买跟着Cell学作图系列合集(免费教程+代码领取)|跟着Cell学作图系列合集

参考

Presentation-Ready Data Summary and Analytic Result Tables • gtsummary (danieldsjoberg.com)

相关文章
|
人工智能 数据可视化 数据挖掘
使用轮廓分数提升时间序列聚类的表现
我们将使用轮廓分数和一些距离指标来执行时间序列聚类实验,并且进行可视化
107 0
|
7月前
|
数据可视化 算法
R语言近似贝叶斯计算MCMC(ABC-MCMC)轨迹图和边缘图可视化
R语言近似贝叶斯计算MCMC(ABC-MCMC)轨迹图和边缘图可视化
|
数据可视化 Python
使用递归图 recurrence plot 表征时间序列
在本文中,我将展示如何使用递归图 Recurrence Plots 来描述不同类型的时间序列。我们将查看具有500个数据点的各种模拟时间序列。我们可以通过可视化时间序列的递归图并将其与其他已知的不同时间序列的递归图进行比较,从而直观地表征时间序列。
422 0
|
6月前
|
机器学习/深度学习 数据挖掘
机器学习之聚类——谱聚类简介及其对特殊形状区域数据的聚类
机器学习之聚类——谱聚类简介及其对特殊形状区域数据的聚类
48 0
|
7月前
|
算法 数据可视化 数据挖掘
r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化(上)
r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化
|
7月前
|
算法 数据可视化 前端开发
r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化(下)
r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化
|
7月前
R语言中使用线性模型、回归决策树自动组合特征因子水平
R语言中使用线性模型、回归决策树自动组合特征因子水平
|
7月前
|
存储 Python
t-sne方法:观察类别区分度
背景:一个二分类任务。 目的:尝试使用t-sne方法,观察这两个类别是否是可分的。
55 0
|
7月前
|
机器学习/深度学习 算法 数据可视化
基于3DSOM的侧影轮廓方法空间三维模型重建
基于3DSOM的侧影轮廓方法空间三维模型重建
|
机器学习/深度学习 数据可视化 PyTorch
深度学习之如何使用Grad-CAM绘制自己的特征提取图-(Pytorch代码,详细注释)神经网络可视化-绘制自己的热力图
深度学习之如何使用Grad-CAM绘制自己的特征提取图-(Pytorch代码,详细注释)神经网络可视化-绘制自己的热力图
深度学习之如何使用Grad-CAM绘制自己的特征提取图-(Pytorch代码,详细注释)神经网络可视化-绘制自己的热力图