Broom |tidy up a bit，模型，检验结果一键输出！
Broom |tidy up a bit，模型，检验结果一键输出！
生信补给站
发布于 2020-08-06 11:21:56
发布于 2020-08-06 11:21:56
使用lm/glm/t.test/chisq.test等模型或者检验完成分析后，结果怎么提？
复制粘贴还是broom一键生成？
载入数据，R包
mtcars数据集
#载入内置数据集mtcars
head(mtcars)
mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1broom-R包
#载入R包
library(broom)
??broom #查看broom包用法broom主要提供如下三种结果整理函数
tidy: 返回模型的统计结果的数据框；augment: 返回模型参数并增加预测和残差等模型结果；glance: 返回模型的一行重要结果，包含R^2、矫正后的R^2，以及剩余标准误差。
回归模型
线性回归
#构建简单线性回归模型
lmfit <- lm(mpg ~ wt, mtcars)
summary(lmfit)
summary(lmfit)$coef
结果如上，只需要将上面的P值，R squared，Adjusted R squared等关心的模型结果，用时间和耐心“精确”的复制粘贴出来就可以了！
嫌麻烦的小伙伴可以用broom试一下，其实只一行就行。
R-broom提取结果
1）tidy函数
library(broom)
#返回模型的统计结果的数据框
tidy(lmfit)
看起来和summary(lmfit)$coef差不多，但还是有区别的：
- coef(summary(lmfit)) 中，terms保存在rawname中；
- 列名为Pr(>|t|)而不是p.value；
2）augment()函数
#提取回归中每个原始点的拟合值和残差等信息
augment(lmfit)
返回每个原始点的参数值以及模型的拟合值，残差等结果，同时为避免列名重复，模型结果的列名以.开始。
3） glance()函数
#提取R squared，Adjusted R squared等
glance(lmfit)
对于广义线性模型（glm） 和非线性模型（nls）同样适用，可自行尝试。
生存分析
生信分析常用的生存分析，结果是否可以提取呢？
答案是可以的，参数上稍微有点区别。
生存分析示例
#library("survminer") #载入R包
library("survival") #载入R包
fit_cox <- coxph(Surv(time, status)~sex, data=lung)
summary(fit_cox)
基础方法提取
#通过函数来提取关键结果
coef(summary(fit_cox))
#提取HR和95%置信区间
exp(coef(fit_cox))
#提取HR的95%置信区间
exp(confint(fit_cox))
broom函数提取
#生存分析，提取的是exp(coef)相关信息，exponentiate = TRUE
tidy(fit_cox,exponentiate = TRUE)
假设检验
除模型结果外，broom还可以用于 t.test, cor.test和wilcox.test检验的结果提取。
T检验
tt <- t.test(wt ~ am, mtcars)
tidy(tt)
返回统计值，P值，置信区间，检验方法等信息；
wilcox.test
wt <- wilcox.test(wt ~ am, mtcars)
tidy(wt)
注：上述返回值只有一行，与 glance函数返回相同的结果，自行尝试。
chisq.test
chit <- chisq.test(xtabs(Freq ~ Sex + Class, data = as.data.frame(Titanic)))
tidy(chit)
#只有chisq.test检验可以使用augment函数
augment(chit)
参考资料：
http://127.0.0.1:18603/library/broom/doc/broom.html
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2019-11-18，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录