经常在报道基线资料时候，会设计表格，需要摘录统计结果，非常麻烦的调整表格。
今天本文章利用compareGroups就解决这样的问题。
今天就来介绍一个简单有效的数据整理成表格的包。直接上效果图
Tableone包
之前介绍过一期利用 Tableone包实现三线表，最终的展现效果很好。但是有些功能不好实现。譬如OR与RR值的展示。具体操作见：R:绘制临床三线表 -https://www.jianshu.com/p/bfb038bd55cd
compareGroups包
同样是实现数据的汇总描述，compareGroups包有以下有点。
- 可支持多种数据导入，如haven、readxl、readr等，也接受Tibble类型数据集。
- 内置descrTable的新函数，只需一步就可以构建描述性表。
- 支持R-markdown文档，支持HTML的分层表。
- 内置strataTable的新功能，可以按层(变量的值或级别)构建描述性表。
- 日期变量被视为连续非正态，执行中位数、四分位数和非参数检验。
- 在compareGroups和descrTable中添加新的参数var.equal。这允许在比较两组以上的比较。
官网文档见： compareGroups 4.0: Descriptives by groups
案例展示
所有数据均来自于data(predimed)。
根据age、sex、smoke、waist、hormogroup五个因素，进行组间比较。我们可以看到res的输出结果，包含每个变量的组间p值及使用的统计方法。
我们可以直接输出全部的表格汇总，或者根据分组变量进行展示：
library(compareGroups)
library(tidyverse)
data(predimed)
head(predimed)
# ALL data
descrTable( ~ ., data = predimed)
# ALL data by group
descrTable(group ~ ., data = predimed)
1.三线表展示
但是，这不是我们想要的。我们要一个描述性的表格。
res <- compareGroups(group ~ age + sex + smoke + waist + hormo,
data = predimed)
res
-------- Summary of results by groups of 'Intervention group'---------
var N p.value method selection
1 Age 6324 0.003** continuous normal ALL
2 Sex 6324 <0.001** categorical ALL
3 Smoking 6324 0.444 categorical ALL
4 Waist circumference 6324 0.045** continuous normal ALL
5 Hormone-replacement therapy 5661 0.850 categorical ALL
-----
Signif. codes: 0 '**' 0.05 '*' 0.1 ' ' 1
只需要增加一个createTable(res)函数，即可实现描述性表格的展示
createTable(res)
2.非正态数据指定
那如果有非正态分布；我们需要对非正态分布进行指定，使用下面方法进行指定。
- 这里method 变量=1表示比较使用正态分布，
- 变量=2表示使用四分位间距，
- 变量=3表示使用分类变量比较，
- 变量=NA表示自动根据Shapiro-Wilks检测，做出是正态还是非正态方法
我们这里的案例，展示age跟waist都用非正态分布。
createTable(res)
## add non-normal test
res=compareGroups(group ~ age + smoke + waist + hormo, data = predimed,
method = c(waist = 2, age = 2))
createTable(res)
更多参数调试，见官方网站 https://cran.r-project.org/web/packages/compareGroups/vignettes/compareGroups_vignette.html
3.图形展示
compareGroups还有更多的功能，譬如对res进行summary会获得更多的信息。
另外，compareGroups还提供绘图功能。为此我们进一步对三线表的内容进行可视化。这也是compareGroups的一个优点。但是仅作为探索性分析的展示。
summary(res)
plot(res)
如果用做论文发表，这个图还是算了吧。
4.OR或HR的展示
compareGroups这一功能是比较优秀的。也是这里所要介绍给大家的。因为Tableone不能汇总OR跟RR的信息，需要单独计算，然后排列。
我们的因变量y必须是二分类或者生存数据，才会产生OR与HR的比值比。
这里我们还是用predimed数据，但是因变量转成htn 二分类变量。当然，自变量分类等级的参考也可以进行更改。这里默认是第一个。如果需要更改，见https://cran.r-project.org/web/packages/compareGroups/vignettes/compareGroups_vignette.html#subsetting
res1 <- compareGroups(htn ~ age + sex + bmi + smoke, data = predimed,
ref = 1)
createTable(res1, show.ratio = TRUE)
接下来是HR的展示。这里面比OR要多一步，就是指定结局变量及利用Sur模型，先建立生存分析的模型。
library(survival)
predimed$tmain <- with(predimed, Surv(toevent, event == "Yes"))
createTable(compareGroups(tmain ~ group + age + sex, data = predimed),
show.ratio = TRUE)
5.表格的输出
计算的结果可以导出各种各样的格式结果：Tables can be exported to CSV, HTML, LaTeX, PDF, Markdown, Word or Excel；这里我们只展示Excel格式。
- export2csv(restab, file='table1.csv'), exports to CSV format
- export2html(restab, file='table1.html'), exports to HTML format
- export2latex(restab, file='table1.tex'), exports to LaTeX format (to be included in Swaeave documents R chunks)
- export2pdf(restab, file='table1.pdf'), exports to PDF format
- export2md(restab, file='table1.md'), to be included inside Markdown documents R chunks
- export2word(restab, file='table1.docx'), exports to Word format
- export2xls(restab, file='table1.xlsx'), exports to Excel format
export2xls(createTable(res), file='table1.xlsx')
6.compareGroups包缺点
主要是compareGroups的结果不能用DT::datatable展示，就是他的结果可以print，也可以保存本地csv、excel。
DT::datatable(createTable(res1, show.ratio = TRUE))
这里要实现Tableone的结果，就导出csv文件，然后再读入进来。即可对compareGroups的结果用DT::datatable展示。
library(tidyverse)
export2csv(x, file='table1.csv')
xa=read.csv('table1.csv',header=T)
DT::datatable(xa)
7.compareGroups自动识别正态性非正态性
mename=paste0(colnames(df)[-11],"=NA")
toString(mename)
ti=paste0("compareGroups(group~ .,data = df,",
"method = c(",toString(mename),"))")
x=eval(parse(text=ti))
tablenew=createTable(x,show.all = TRUE)
print(tablenew)
export2xls(tablenew,file = "table1.xls")
