Examen préliminaire des colonnes

Il est important d'obtenir rapidement une synthèse des colonnes d'un data frame. Ce type d'analyse permet de s'assurer que toutes les colonnes ont le contenu attendu. À moins que la collecte des données n'ait été réalisée avec un soin extrême, il est probable qu'une ou plusieurs variables n'aient pas le format attendu. La présence d'un seul caractère non numérique dans une colonne de dates ou de valeurs numériques suffit pour que R interprète toute la colonne comme une colonne de texte.

Il existe plusieurs packages et fonctions permettant de générer des synthèses de data frames. Voici quelques fonctions qui présentent des nuances petites mais importantes.

Commençons par le package mlr, qui contient la fonction summarizeColumns(). Le package mlr doit être installé pour pouvoir utiliser cette fonction. Installez et chargez le package comme suit :

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

mlr a tendance à utiliser la notation scientifique, ce qui signifie que les très grands et les très petits nombres sont affichés sous forme exponentielle ; par exemple, 100000000 s'affiche 1e+08. Vous pouvez désactiver la notation scientifique avec la commande suivante :

## Désactiver la notation scientifique dans R
options(scipen = 999)

Utilisez ensuite la fonction summarizeColumns() pour examiner le contenu de notre data frame (rhc) :

summarizeColumns(rhc)

Vous pouvez combiner des fonctions de dplyr (par exemple filter, select) avec summarizeColumns() pour examiner les caractéristiques des colonnes dans un sous-groupe du jeu de données. Ci-dessous, nous refaisons le tableau en n'incluant que les patients sans cancer (ca="No") :

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

Seules les 4 premières variables sont présentées ci-dessous.

summarizeColumns() ne fournit aucune information sur les niveaux des variables catégorielles (factors). Pour l'obtenir, on utilise la commande suivante :

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

Examen préliminaire avec Hmisc

Le package Hmisc propose de nombreuses fonctions utiles pour l'exploration et l'analyse. La fonction describe() sert à décrire toutes les colonnes d'un data frame. Commencez par installer Hmisc et chargez le package :

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

Nous créons maintenant l'objet rhc_described en appliquant la fonction describe() à notre data frame. Nous affichons ensuite le résultat avec la fonction html().

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

À l'étape suivante, nous utilisons d'autres fonctions de Hmisc pour générer des diagrammes de fréquences et des histogrammes. Consultez les commentaires du code pour plus de détails :

## Applique la fonction plot() à notre objet rhc_described
rhc_described_plots <- plot(rhc_described)

## Inspecte les distributions des données catégorielles
rhc_described_plots$Categorical

## Inspecte les histogrammes des données continues
rhc_described_plots$Categorical

Générer des données de colonnes stratifiées selon une variable catégorielle

Hmisc contient la fonction summaryM(), qui présente les caractéristiques des variables stratifiées selon une variable catégorielle. Cette variable catégorielle est généralement un critère de jugement (événement, outcome) de l'étude. La fonction summaryM() est particulière, car elle utilise une formule pour spécifier les variables à présenter. Elle calcule également différents types de tests d'hypothèse pour les différences entre groupes. L'utilité de ces tests d'hypothèse (valeurs de p) dépend du contexte. Il est le plus souvent inapproprié d'effectuer des tests d'hypothèse de manière systématique à la recherche de différences entre groupes ou pour déterminer quelles variables inclure dans un modèle statistique.

La fonction est illustrée ci-dessous. Notez que les variables à examiner sont placées à gauche du tilde (~), séparées par +, et que le critère de jugement est placé à droite de ~. Nous appliquons la fonction html() au résultat afin d'obtenir une présentation esthétique.

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)