使用R做潜剖面分析及其可视化

最新推荐文章于 2024-09-06 08:31:13 发布

WoodMany

最新推荐文章于 2024-09-06 08:31:13 发布

阅读量3.3k

点赞数 3

文章标签：大数据

本文链接：https://blog.csdn.net/WoodMany/article/details/125683988

版权

1. R包选择。使用R做潜剖面分析会用到tidyLPA和tidyverse（这两个具体谁有什么作用我不清楚）

# 载入包
library(tidyLPA)
library(tidyverse)

2. 载入数据。这里我用的是.csv格式数据，如果你的是spss格式，可以使用其他的包加载，也可以将spss的.sav格式转化为.csv格式。我的数据一共11列，也就是11个变量。2-11是我想聚类的变量，第一列是个体的ID，后面可以用来查找对应个案被聚类的到哪一类

# 载入数据
data <- read.csv('文件名.csv')

3. 筛选出做潜剖面分析的变量。这里我是选择从第2列到第11列

# 变量选择
data_select <-select(data,c(2:11))

4. 进行聚类分析。这里的1:6是指你想要聚成几类，1:6就是聚1至6个类，你也可以直接输入4这样的数字，就代表只聚4次。后面的2是聚类的方式选择（这个我也不太理解，应该是按照自己的数据来选择的），下面的图片是6种可选择的方案

# 进行聚类
cluster <- estimate_profiles(data_select,1:6,2)

Figure 1：

5. 聚类结果可视化，参考Figure 2。其中，从rawdata到最后，都是对出图的格式调整。具体来讲，rawdata = F指结果图中不包含原始数据；sd = F指不包含误差线；ci = F指不包含置信区间；add_line指加上连线；后面使用“+”连接的是对横纵坐标的修改（如果不加这一条，在你变量名很长的情况下，横坐标显示的会有重叠，很乱，可以参考Figure 3）

plot_profiles(cluster,rawdata = F, sd = F,ci = F, add_line = T) +theme(axis.text.x = element_text(angle = 45, hjust = 0.4, vjust = 0.5))

Figure 2：

Figure 3：

6. 抽取出正常组和障碍组中包含缺失值的个案。因为用R做聚类时，含有缺失值的个体是会被排除的，所以我们想看一下哪些个案没有参与到聚类中。

#抽取出包含缺失值的个案
missing <- which(rowSums(is.na(data)) >0)
missing_show <-data[missing,]

7. 查看个案被分到哪一类中。因为我们是聚1-6类，这里我们只看聚5类情况下，个案的分布情况。这里的"model_2_class_5"]][["model"]][["classification"]]“是我在ls文件中找到classification然后确定的（这里有点乱，我使用这个方法抽取出并输出的Excel结果正确但是不简洁明了，如果有其他更有效方法，欢迎留言、评论！）。这两行代码运行结束后，会有两个WExcel文件。第一个文件最第一列是个案的顺序列，第二列是个案聚类情况；第二个文件第一列也是顺序列，其他列就是原始数据变量情况。这时我们知道，每个文件里都包含第一列的顺序变量，这个变量在不同的Excel文件中是一一对应的。所以我们可以使用Excel中的vlookup函数将两个Excel数据合并起来。

#将聚5类结果输出为excel文件，同时输出原数据为excel文件。它们对应的顺序是一致的（这里的顺序就是你导出Excel文件第一列），可以通过Excel中的vlookup函数将其对应
write.csv(ls[["model_2_class_5"]][["model"]][["classification"]],file = "E:\\聚类结果.csv")
write.csv(data,file = "E:\\原始数据.csv")

8. 查看聚类模型拟合情况。拟合指标具体含义可见Figure 4.