Efter att data har preparerats skall exploration och deskription göras med stor omsorg. Kunskap om datas natur är fundamental för ett bra slutresultat. Analytikern måste ha god kännedom om variablernas natur, fördelningar, missingness (missing data), korrelationer och så vidare. För att explorera data behövs både funktioner i base R och funktioner i andra paket. Dessa paket är avgörande för adekvat och effektiv exploration och deskription. Vi kommer inte att använda klassiska övningsdata (t ex gapminder eller mpg) eftersom de saknar flera viktiga variabeltyper (exempelvis överlevnadsdata, datumvariabler, etc). Vi kommer istället att använda data från en klinisk studie kallad Right Heart Catetherization (RHC) som kan laddas ner med koden nedan.
Vi börjar med att ladda ner RHC till hårddisken (datorn) och sorterar därefter variablerna på alfabetisk ordning. Sorteringen är betydelselös och görs endast för att variablerna ska ha samma ordning i vår data frame som i Tabell 1 där variablerna förklaras. Du behöver lyckligtvis inte kunna några detaljer om variablerna i RHC, men det kan vara trevligt att ägna någon minut åt variabellistan för att få en känsla för vilka data vi arbetar med.
## Importera data
rhc <- read.csv("https://hbiostat.org/data/repo/rhc.csv", header = TRUE)
## Sortera kolumnerna alfabetiskt
rhc <- select(rhc, sort(names(rhc)))
## Inspektera data
head(rhc)| adld3p <int> | age <dbl> | alb1 <dbl> | amihx <int> | aps1 <int> | bili1 <dbl> | ca <chr> | card <chr> | cardiohx <int> |
|---|---|---|---|---|---|---|---|---|
| 0 | 70.25098 | 3.500000 | 0 | 46 | 1.0097656 | Yes | Yes | 0 |
| NA | 78.17896 | 2.599609 | 0 | 50 | 0.6999512 | No | No | 1 |
| NA | 46.09198 | 3.500000 | 0 | 82 | 1.0097656 | Yes | Yes | 0 |
| NA | 75.33197 | 3.500000 | 0 | 48 | 0.3999634 | No | No | 0 |
| NA | 67.90997 | 3.500000 | 0 | 72 | 1.0097656 | No | Yes | 0 |
| 0 | 86.07794 | 3.099609 | 0 | 38 | 1.0097656 | No | No | 0 |
Utdrag ur RHC data. Variabelförklaring följer i Tabell 1.
Tabell 1. Förklaringar till variabler i RHC data.
| Variabel | Definition |
|---|---|
| Adld3p | ADL (activity of daily living) |
| Age | Age |
| Alb1 | Albumin |
| Amihx | Definite Myocardial Infarction |
| Aps1 | APACHE score |
| Bili1 | Bilirubin |
| Ca | Cancer |
| Card | Cardiovascular Diagnosis |
| Cardiohx | Acute MI, Peripheral Vascular Disease, Severe Cardiovascular Symptoms (NYHA-Class III), Very Severe Cardiovascular Symptoms (NYHA-Class IV) |
| Cat1 | Primary disease category |
| Cat2 | Secondary disease category |
| Chfhx | Congestive Heart Failure |
| Chrpulhx | Chronic Pulmonary Disease, Severe Pulmonary Disease, Very Severe Pulmonary Disease |
| Crea1 | Creatinine |
| Das2d3pc | DASI ( Duke Activity Status Index) |
| Death | Death at any time up to 180 Days |
| Dementhx | Dementia, Stroke or Cerebral Infarct, Parkinson’s Disease |
| Dnr1 | DNR status on day1 |
| Dschdte | Hospital Discharge Date |
| Dthdte | Date of Death |
| Edu | Years of education |
| Gastr | Gastrointestinal Diagnosis |
| Gibledhx | Upper GI Bleeding |
| Hema | Hematologic Diagnosis |
| Hema1 | Hematocrit |
| Hrt1 | Heart rate |
| Immunhx | Immunosupperssion, Organ Transplant, HIV Positivity, Diabetes Mellitus Without End Organ Damage, Diabetes Mellitus With End Organ Damage, Connective Tissue Disease |
| Income | Income |
| Liverhx | Cirrhosis, Hepatic Failure |
| Lstctdte | Date of Last Contact |
| Malighx | Solid Tumor, Metastatic Disease, Chronic Leukemia/Myeloma, Acute Leukemia, Lymphoma |
| Meanbp1 | Mean blood pressure |
| Meta | Metabolic Diagnosis |
| Neuro | Neurological Diagnosis |
| Ninsclas | Medical insurance |
| Ortho | Orthopedic Diagnosis |
| Paco21 | PaCo2 |
| Pafi1 | PaO2/FIO2 ratio |
| Ph1 | PH |
| Pot1 | Potassium |
| Psychhx | Psychiatric History, Active Psychosis or Severe Depression |
| Ptid | Patient ID |
| Race | Race |
| Renal | Renal Diagnosis |
| Renalhx | Chronic Renal Disease, Chronic Hemodialysis or Peritoneal Dialysis |
| Resp | Respiratory Diagnosis |
| Resp1 | Respiratory rate |
| Sadmdte | Study Admission Date |
| Scoma1 | Glasgow Coma Score |
| Seps | Sepsis Diagnosis |
| Sex | Sex |
| Sod1 | Sodium |
| Surv2md1 | Support model estimate of the prob. of surviving 2 months |
| Swang1 | Right Heart Catheterization (RHC) |
| Temp1 | Temperature |
| Transhx | Transfer (> 24 Hours) from Another Hospital |
| Trauma | Trauma Diagnosis |
| Urin1 | Urine output |
| Wblc1 | WBC |
| Wtkilo1 | Weight |
Förklaring till variablerna i RHC.
I kommande kapitel diskuteras olika typer av exploration och deskription.