R言语处理数据中的缺失值

在SCI论文中，我们不可避免和缺失数据打交道，特别是在回顾性研究，对于缺失的协变量（就是混杂因素），我们可以使用插补补齐数据，但是对于结局变量和原因变量的缺失，我们不能这么做。部分人的做法是直接删除掉这部分的数据（如SEER数据库），有些高分SCI杂志的审稿人会问你缺失数据的情况和你是怎么处理的，如果我们能附上一个缺失数据和未缺失数据比较的表格，可以起到一表抵千言万语的作用，如下图。

如表格所示，如果比较出缺失数据和未缺失数据P值大于0.05，说明数据为随机缺失，删除后对数据分布没有影响，但如果小于0.05，你删除这部分数据则要说明删除原因。
下面我们来演示怎么使用R语言做出上面表格
继续使用我们的乳腺癌数据，需要tidyverse包和compareGroups包，我们先导入数据


我们先来看看数据：
age表示年龄，pathsize表示病理肿瘤大小（厘米），lnpos表示腋窝淋巴结阳性，histgrad表示病理组织学等级，er表示雌激素受体状态，pr表示孕激素受体状态，status结局事件是否死亡，pathscat表示病理肿瘤大小类别（分组变量），ln_yesno表示是否有淋巴结肿大，time是生存时间，后面的agec是我们自己设定的，不用管它。
假设我们想知道er表示雌激素受体状态和结局死亡的关系，我们看到er还是有很多缺失值的，我们先要把这部分缺失值提出来。

bc1<-bc%>%
  mutate(
    cancelled=is.na(er)
  )

这样我们得到了一个新的数据bc1,

最右边的数据表示这个数据是否是缺失值，我们把它换成数字表示

bc1$cancelled<-ifelse(bc1$cancelled=="TRUE",1,0)

然后就是我们的牛逼R包登场了，使用tableone包也是可以的

library(compareGroups)
library(glue)

先要把分类变量转成成因子

bc1$lnpos <- factor(bc1$lnpos)
bc1$histgrad <- factor(bc1$histgrad)
bc1$pr <- factor(bc1$pr)
bc1$status<- factor(bc1$status)
bc1$pathscat<- factor(bc1$pathscat)
bc1$ln_yesno<- factor(bc1$ln_yesno)
bc1$cancelled<-factor(bc1$cancelled)

最后把cancelled这个变量当做分类变量就可以了，还是比较容易的

descrTable( cancelled~ .-er, data = bc1)

最后想说的是虽然有两个变量大于0.05，但是这两个变量缺失比较严重，不定是分布有问题，可以插补以后再做，或者使用其他方法。
更多精彩文章请关注公众号：零基础说科研