发布时间：
测序行业的蓬勃发展，带来微生物组学日新月异的变化。目前，单一组学的文章不断“贬值”，前沿研究的目光从单一组学逐步拓展至多组学对贯穿分析，即结合多个组学的分析角度，从多个层面阐述生物学机制。
微生物多组学贯穿分析策略十分丰富：如常见的16s与宏基因组贯穿分析，可以验证物种的特征、丰富功能的探究；而16s与代谢组的贯穿分析思路同样常见于高分文章中，通过16s探究不同处理/环境下菌群的物种组成变化，结合代谢组对应的代谢物的变化，进而找到不同处理/环境下引发细菌丰度差异最终导致代谢表型差异的机制。参考阅读《选好思路和方法，给自己一篇多组学高分文章 》
在16s与代谢组贯穿分析中，相关性热图是一个重要的分析手段，主要用于逐一呈现细菌物种与代谢物间的相关性高低，是筛选潜在关联的物种与代谢物的主要途径，对于下游的实验起到指导意义。此类相关性热图在高分文章中频繁出现，足见其重要性（图1、图2）。
图1 物种代谢物热图（2015，Cell Host& Microbe，IF= ）[1]
图2 物种代谢物热图（2018，NatureMedicine，IF=）[2]
那么，该如何画出此类高分文章中的相关性热图呢？这里，以16s与代谢组的数据为例，向大家分享如何使用R语言进行两个组学数据的相关性计算、绘制相关性热图。
1.加载R包
library(psych)
library(pheatmap)
library(reshape2)
2.读入数据
phy <(file = "", sep = "t", header = T, 1)
图3 微生物丰度信息表格
met <(file = "", sep = "t", header = T, 1)
图4 代谢物丰度信息表格
3.计算相关性、p值
cor <(phy, met, method = "pearson",adjust= "none")
cmt <-cor$r
pmt <- cor$p
head(cmt)
head(pmt)
4.数据保存
<-cbind(rownames(cmt),cmt)
( "",sep= "t",)
图5 相关性系数表格
<-cbind(rownames(pmt),pmt)
( "",sep= "t",)
图6 p值表格
df <-melt(cmt, "cor")
df$pvalue <- (pmt)
head(df)
(df,file= "",sep= "t")
图7 关系对信息
5.绘制显著性标记
if(!(pmt)){
ssmt <- pmt<
pmt[ssmt] <- '**'
smt <- pmt > pmt <
pmt[smt] <- '*'
pmt[!ssmt&!smt]<- ''
} else{
pmt <- F
}
6.绘制相关性热图
mycol<-colorRampPalette(c("blue","white","tomato"))(800)
pheatmap(cmt,scale = "none",cluster_row = T, cluster_col = T, border=NA,
display_numbers = pmt,fontsize_number = 12, number_color = "white",
cellwidth = 20, cellheight =20,color=mycol)
图8 R语言绘制的物种+代谢物相关性热图
pheatmap(cmt,scale = "none",cluster_row = T, cluster_col = T, border=NA,
display_numbers = pmt, fontsize_number = 12, number_color = "white",
cellwidth = 20, cellheight = 20,color=mycol，filename= "")
参考文献
[1]Kostic AD, Gevers D, Siljander H, et al. The dynamics ofthe human infant gut microbiome in development and in progression toward type 1diabetes. Cell Host Microbe. 2015;17(2):260–
[2]Hoyles, Lesleyet al. “Molecular phenomics and metagenomics of hepatic steatosis innon-diabetic obese women.” Nature medicine vol. 24,7 (2018):1070-1080. doi: 原文
转自医学方
2019-07-4 Alexander
流行病学或者医学论文中，对研究对象基本情况的描述通常以表格的形式进行，并且放在结果部分的开头，即Table 1，主要内容是研究对象一般情况和研究变量或协变量的分组展示。
前几天文章修回过程中，花了两天时间分析数据，修改文章，其中有近1天的时间都在手动录入数据（从R studio里把分析结果整理到Excel或者word），这样除了花费时间外，还非常容易出错。之前一直想找时间通过R markdown把制作表格的过程程序化，可是效果并不理想。
这次痛定思痛，先从table 1开始，发现了几个不错的方法。其中一种个人觉得可读性和可编辑性都比较强，于是学习了一下，作为一个非常实用的工具分享给大家。
这里主要参考一篇博客Fast-track publishing using knitr: table mania，对细节进行了加工和注释。
1 数据的准备
数据主要来自于boot包的melanoma。加载后，看下数据的基本结构。
接下来对数据进行简单的整理，为后续分析做准备；
将分类变量定义为因子型并设置标签（这里建议设置一个新的变量，仅用于table 1的制作，不影响后续的分析）；
2 安装和加载R包 Gmisc
后面两个包是加载“Gmisc”时要求加载的。
3 自定义函数、制作表格
根据已有函数自定义函数，并制作表格。定义一个函数，输入数据集的变量并得到该变量的统计结果：
函数定义完成后，建立一个空的列表，以储存每个变量的分析结果，并进行分析，将结果储存在列表中：
将所有结果merge到一个矩阵中，并建立rgroup（table1第一列的变量名） 和 （table 1第一列每个变量的行数）：
结果如下：
当然，有些情况下，需要多加一个分组标题栏（column spanner），该怎么加呢？
如下：
结果如下：
4 导出结果
在R studio viewer窗口点击白色按钮，即可在浏览器中打开，然后复制粘贴到word可以进一步加工修饰。
是不是很刺激呢。 应该还有其他的导出方法，不过这个已经很方便了。
拓展功能选
⒈ 二分类变量只显示一个（比如男性和女性）。只要在getDescriptionStatsBy的"show_all_values"参数设置为FALSE即可；
⒉ 显示缺失值。getDescriptionStatsBy的"useNA"参数设置为"ifany"，表示如果有缺失值就显示缺失值情况；如设置为“no”，表示始终不显示缺失值情况；“always”则表示无论是否有缺失值都显示缺失值情况；
⒊ Total一列是可以去掉的，getDescriptionStatsBy的"add_total_col"参数设置为FALSE即可。
不足之处
⒈ 差异性检验是采用非参的方法，虽然没有错，但是一般符合参数检验条件的数据还是要使用参数检验的方法，这里可以自行检验后再修改P-value；
⒉ Mean (SD)的展示形式有个括号感觉有点别扭，还不知道怎么去掉，有方法的小伙伴欢迎分享交流。
另外有一些其他的制作table 1的R包，比如table 1（R包的名字）包，tableone包，还有其他生成表格的R包（plyr等），个人浏览下来感觉这个最容易理解和掌握，其他包的功能有兴趣的可以再自行挖掘对比。
原文链接：
科学论文是科研成果的主要产出形式。撰写科学论文是一个科学工作者必须具有的基本功。学习撰写科学论文是每一个研究生的必修课，但必须通过实践才能学好。下面上学吧论文查重分析一下sci论文写作技巧，欢迎查看。什么是sci论文?sci(scientific citation index)是美国科学信息研究所(isi)编辑出版的引文索引类刊物，创刊于1964年。分印刷版、光盘版和联机板等载体。印刷版、光盘版从全球数万种期刊中选出3300种科技期刊，涉及基础科学的100余个领域。每年报道60余万篇最新文献，涉及引文900万条。进入sci这一刊物的论文即为sci论文。sci选录刊物的依据是文献分析法，即美国情报学家加费尔德提出的科学引文分析法。该分析法以期刊论文被引用的频次作为评价指标，被引频次越高，则该期刊影响越大。在一定时期(通常是前两年)内，某一刊物发表的论文，被已经进入sci刊物的论文所引用的总次数，除以该刊物这一时期内的论文总数，即为该刊物的影响因子。isi对全球的自然科学刊物进行考察，凡影响因子大于某一临界值的刊物，则可以进入sci系统。进入sci系统的刊物分为两类，即内圈和外圈，前者的影响因子高于后者，前者称为sci刊物，后者称为scisearch刊物。sci刊物还分为影响因子高区(大于)、中区(在和之间)和低区(小于)3类。衡量期刊特性的，除了影响因子外，还有及时指数(immidiacy index)和被引用半衰期(cited half life)。及时指数是指一种期刊当年发表的文献在当年被引用的次数与当年的文献总数之比。此指标表示期刊论文所述的研究课题在当前的热门程度。被引用的半衰期是指一种期刊各年发表的文献，在当年被引用次数逐年累计达到被引用总数的50%所用的年数。被引用半衰期反映期刊论文研究题目的延续时间，即期刊论文时效性的长短，或知识更新的快慢。在选择投稿的刊物时，可以综合考虑以上各个指标。sci论文的重要性：随着全球化，科学研究也日益全球化，sci论文是进行国际科学交流的重要方式，也是使国际同行了解我们的主要渠道发表sci论文，可以向世界显示我国基础研究的实力，提高我国在世界科学界的地位。在世界著名刊物如nature和science上发表一篇重要文章，对于某一学科而言，其意义不亚于在国际比赛中取得一块金牌。发表sci论文的多少和论文被引用率的高低，是国际上通用的评价基础研究成果水平的标准，是招聘、提升、考核、评奖的重要指标。就基础研究而言，在什么样档次的刊物上发表的论文，便具有什么样档次的水平，一目了然，一般不再需要鉴定。如果成果不是在国际知名的sci刊物上发表，便很难被认为是国际水平的。发表sci或ssci论文是与资源所基础研究领域博士生取得博士学位的必要条件。也是联系出国深造时使国外导师了解自己的最好方式。好文章的起码要求：clear: 思路清晰、概念清楚、层次清楚、表达清楚complete:内容完整、结构完整匀称，切忌虎头蛇尾，有始无终correct：科学内容正确(不出错)、资料数据正确(数据可靠、可信)、语言正确(无语法错)concise：论述深刻、充分揭示其科学内涵、使用定量方法怎样撰写向sci刊物投稿的科学论文?据估计，属于语言和写法方面的原因而退稿的，占30-40%;属于实质性内容的原因而退稿的，占60-70%。为了有的放矢，应该首先分析向sci刊物投稿命中率低、退稿率高的原因：无新意，重复他人工作(国际刊物最欢迎的是具有原始创新性的工作);有新的发现，但未能很好地提炼、升华并上升到理论的高度;单纯的定性描述，缺乏定量的、理论的分析;仅仅是区域性(local)的工作，而不是具有普遍意义、可以推广到其他地方的的工作(general)，即仅仅是国外方法在中国某一地区的应用，而不是提出新的方法;文章组织得不好，文字功夫欠佳，国外审稿人难以看懂。怎样使研究工作具有新意?采用新技术、新仪器对自然过程进行观测，取得新资料;对新资料进行分析，提出新概念;在新概念的基础上建立新理论。用新的思路、理论或方法对前人取得的观测资料进行分析，得到新的结论。立足于我国特有的自然条件(如黄土高原、黄河、青藏高原、喀斯特地貌等)，发现新的自然现象和自然规律。对前人建立的模式或理论提出质疑，建立修正的模式。怎样对观测资料进行提炼、升华?以新的理论、概念为指导。如地貌学的临界理论、复杂响应理论。建立模型：经验统计模型;有物理基础的模型;模糊模型;系统动力学模型;灰色系统模型;分形模型;人工神经网络模型等。在资料分析的基础上，提出新概念、新方法、新理论。在gis平台上进行研究成果的集成与表达。怎样进行文章的组织?文章的结构语言图表提要：研究的主要科学问题和目的、方法，主要发现、结果、结论。应具有自明性。关键词：准确、规范、不要太偏(否则会影响文章的引用)前言：提出问题介绍论文的背景，本领域的前人研究与现状，尚有哪些问题有待解决，进而提出本文研究的问题和目标。方法(理论或观测技术)所取得的资料(资料是如何取得的，对资料精度的分析)分析与结果(逻辑推理、理论推导、建立模型、模型的验证);结论。语言：使用严格的科学术语，不使用未经定义的似是而非的说法，对于自己首次提出的概念要给出明确的定义;语言要准确，少用语言，切忌将科学术语生硬地译回到中去，使国外审稿人不知所云;要有较强的逻辑性，推理要由充足的理由(已知的原理或事实的依据)，不要做大跨度的跳跃。可以看一点逻辑学的书，包括数理逻辑，以提高思维的严密性。写出地道英语论文的窍门：多读，多记，多背，不妨采用小学生学作文的方法，多背一些句子甚至段落。当语言掌握到一定程度时，可直接写出英文，而不要先写中文，再逐句甚至逐词。只有能用英语思维的人才能写出好的英文。多投稿，国外审稿人常会对语言进行修改，与你的写法对照，会有很大收获。图表：地图是地理学家的特殊语言，是地理研究成果的结晶。用相关图、变化曲线、分布图来表示所取得的成果，比语言叙述要直观得多，而且也更加具有定量意义。如果还是有不懂的可以去上学吧论文查重，里面有更多的相关知识
r语言在生物医学领域的应用如下：
R语言在医学科学研究中应用广泛，典型的应用包括：机器学习技术可以帮助研究人员构建和改进机器学习模型，建立影响治疗效果的变量；统计学分析可以帮助研究人员确认实验结果是有意义的或不可信的；R语言支持高级图形，可以帮助研究人员清楚地表达结果。
此外，R语言还提供数据预处理、建模和分析的工具和框架，从而使得研究者能够更有效地运用自己的精力和时间，以更快的速度完成研究。
总的来说，R语言是一种实用的软件，可以帮助研究人员快速进行医学研究，从而更快地获得结果。R语言的优势在于涵盖的范围较广，提供的功能较强，可扩展性强，而且可以免费使用。因此，建议研究人员在研究过程中尽可能多地使用R语言，以更好地实现研究目标。
我们日常所说的R语言，R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。R是统计领域广泛使用的诞生于1980年左右的S语言的一个分支。可以认为R是S语言的一种实现。
根据学术堂的了解，在动手书写学位SCI医学论文之前，首先要在头脑里详细构思SCI医学论文的整体结构，多参考其他的SCI医学论文的写法，列出详细的提纲，并尽可能的详细，这样在动笔开始写作以后就不会脱题。建议作者在序言部分参考外文期刊所发表的 SCI医学论文的序言部分，要充分认识到序言部分的难度和重要性。因为每个研究者对于自己的研究技术方案、技术路线、实验过程、技术成果等很熟悉，心中一般都有数，容易表现出来。而序言部分要概括、总结和分析他人的工作，还要论述自己的观点，难度相当大。国内刊物发表的SCI医学论文，一般不太注重序言部分，学位SCI医学论文的序言也是相互搬迁的较多。因此，要提高SCI医学论文质量和水平，一定要在认真参考外文期刊文章的基础上，充分思考，可以先尽量写详细，然后根据需要再精简。不要开始简单，后来再修修补补，就难以形成系统性。还需要注意的是SCI医学论文摘要是SCI医学论文的意义、内容、特点的高度概括，500字左右的摘要应该简明扼要。还有，SCI医学论文要尽可能多的利用图形、表格、公式、数据表达意思，说明原理、方案等，有助于读者理解内容。SCI医学论文在评论他人的研究工作时，一定要客观，避免引起纠纷。特别是谈论其不足和缺点时，一定要慎重，没有把握时，且不可凭感觉或印象随意发表评论。参考文献中列出的文献，应尽可能的标注在SCI医学论文中。另外，一般对SCI医学论文的创新性没有特别的要求，但特点总应该有的，即使利用现成的方法、原理、工艺解决了生产或研究中的某个问题，也算有实用的特点。作者应尽力将研究工作的特点或创新点暴露给读者，有的研究生为了显示SCI医学论文的重要性，也不管是不是特点和创新点，列出一大串的特点和创新点，而有的根本不是特点和创新点。实际上，作为SCI医学论文，只要选题有一定的意义和工作量，作者能够独立完成，没有错误，有特点就符合基本要求，创新点或特点有2-3个就相当不错了。
文|程瑞林（山东大学第二医院足踝外科） 来源|（微信公众号）云中瑞麟（ID：ruilinfly）
瑞麟导读： 对于计量资料，临床医学研究中常用的统计分析方法是t检验；而对于计数资料，卡方检验是一个常用的统计分析方法。
最近看到一篇文章，里面分析了骨巨细胞瘤患者术后复发的比例，其中计数资料使用卡方检验（又称χ 2 检验），下面针对卡方检验的使用方法及其R语言实现方法进行简单介绍。
卡方检验是一种用途很广的 计数资料 的假设检验方法，由卡尔·皮尔逊提出。它属于非参数检验的范畴，主要是比较两个及两个以上样本率( 构成比）以及两个分类变量的关联性分析。其根本思想就是在于比较理论频数和实际频数的吻合程度或拟合优度问题。
它在分类资料统计推断中的应用，包括：两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。
可以分为成组比较（不配对资料）和个别比较（配对，或同一对象两种处理的比较）两类。
通常卡方检验的应用主要为： 1、 卡方拟合优度检验 2、卡方独立性检验
我们想知道喝牛奶对感冒发病率有没有影响，以下为数据统计的四格表：
通过简单的统计我们得出喝牛奶组和不喝牛奶组的感冒率为和，两者的差别可能是抽样误差导致，也有可能是牛奶对感冒率真的有影响。
为了确定真实原因，我们先假设喝牛奶对感冒发病率是没有影响的，即喝牛奶喝感冒时独立无关的，所以我们可以得出感冒的发病率实际是（43+28）/（43+28+96+84）=
所以，理论的四格表应该如下表所示：
即下表：
如果喝牛奶喝感冒真的是独立无关的，那么四格表里的理论值和实际值差别应该会很小。
那如何来描述这种差别呢，我们定义卡方值为
其中，A为实际值，T为理论值。
x2用于衡量实际值与理论值的差异程度（也就是卡方检验的核心思想），包含了以下两个信息：
根据卡方检验公式我们可以得出例1的卡方值为：
卡方 = (43 - )平方 / + (28 - )平方 / + (96 - )平方 / + (84 - )平方 / =
卡方值（理论值与实际值差异大小）的意义是什么呢？为此我们再引入一个概念：
上一步我们得到了卡方的值，但是如何通过卡方的值来判断喝牛奶和感冒是否真的是独立无关的？也就是说，怎么知道无关性假设是否可靠？
答案是，通过查询卡方分布的临界值表。
第一行表示显著性水平α 第一列表示自由度
这里需要用到一个 自由度 的概念，自由度等于V = (行数 - 1) * (列数 - 1)，对四格表，自由度V = 1。
对V = 1，喝牛奶和感冒（95%概率）不相关的卡方分布的临界值（最大）是：。即如果卡方大于，则认为喝牛奶和感冒（有95%的概率）相关。
【瑞麟描述】临界值的意义表示：如果卡方值＞，则纵列因素与横行因素不相关的的概念＜（即显著性水平），也即纵列因素与横行因素相关的概念＞。
显然<，没有达到卡方分布的临界值，所以喝牛奶和感冒独立不相关的假设没有被推翻。
【瑞麟】 简单说，如果我们计算出的卡方值（表示实际值与理论值的差异，越大表示实际值与理论值越不符，即越有可能纵列因素会影响横行数值）大于临界值（列因素不影响横行值的范围：0~临界值），我们就排斥原假设（H0，即纵列因素不影响横行的因素的变化），接受备择假设（H1：纵列因素对横行的因素变化有影响）；反之，卡方值小于临界值，即在（纵列与横行互不影响这一假设）理论范围内，无法推翻原假设，即无统计差异。
我们想知道不吃晚饭对体重下降有没有影响，并获得以下数据：
H0：r1＝r2，不吃晚饭对体重下降没有影响，即吃不吃晚饭的体重下降率相等； H1：r1≠r2，不吃晚饭对体重下降有显著影响，即吃不吃晚饭的体重下降率不相等。α=
【瑞麟：H0为纵列因素对横行因素无影响；H1为有影响】
3.计算卡方值 根据图1所示公式，计算出卡方值为
在查表之前应知本题自由度。按卡方检验的自由度v=（行数-1）×（列数-1），则该题的自由度v=（2-1）（2-1）=1，查卡方界值表，找到，而本题卡方=即卡方＞，P＜，差异有显著统计学意义，按显著性水平α=水准，拒绝H0，可以认为两组的体重下降率有明显差别。
通过实例计算，对卡方的基本公式有如下理解：若各理论数与相应实际数相差越小，卡方值越小；如两者相同，则卡方值必为零。
x2值表是数理统计根据正态分布的定义计算出来的。 是一种近似，在自由度大于1、理论数皆大于5时，这种近似很好；当自由度为1时，尤其当1＜T＜5，而n＞40时，应用以下校正公式：
如果观察资料的T＜1或n＜40时，四格表资料用上述校正法也不行，可参考预防医学专业用的医学统计学教材中的精确检验法【瑞麟：Fisher检验？】直接计算概率以作判断。
1.一般认为行×列表中不宜有1/5以上格子的理论数小于5，或有小于1的理论数。当理论数太小可采取下列方法处理：①增加样本含量以增大理论数；②删去上述理论数太小的行和列；③将太小理论数所在行或列与性质相近的邻行邻列中的实际数合并，使重新计算的理论数增大。由于后两法可能会损失信息，损害样本的随机性，不同的合并方式有可能影响推断结论，故不宜作常规方法。另外，不能把不同性质的实际数合并，如研究血型时，不能把不同的血型资料合并。
2.如检验结果拒绝检验假设，只能认为各总体率或总体构成比之间总的来说有差别，但不能说明它们彼此之间都有差别，或某两者间有差别。
R语言自带卡方检测的方法，只要调用方法()，会自行输出X-squared卡方值, df自由度, p-value概率。
判断5种品牌啤酒的爱好者有无显著差异：
P值越大，支持原假设的证据就越强，给定显著性水平α（取）, 当P值小于α时，就拒绝原假设。
H0：两种药物疗效相同 H1：有效率不等
为何会提示算法可能不准确呢？计算理论值：
文献1中的数据列表为
文章提及计数资料使用χ 2 检验，而数据列表中多处数据小于5，显然应该视理论值大小选择连续性修正的卡方检验或Fisher检验更合适一些。
参考文献： 1.同志超，等。四肢骨巨细胞瘤的外科治疗分析。中华解剖与临床杂志，2018，23（3） , 统计学——卡方检验和卡方分布 , CDSN博客，2017 ， 卡方检验及R语言实现 ，CDSN博客，2017-3-27 上下求索， 卡方检验x2检验（chi-square test） ，CSDN博客，2016-7-7 ， 统计学第七章 卡方检验【R语言实现】 ，， 6.嘉儿jy 《卡方检验中非连续性校正与连续性校正的区别！》 百度知道，2016-1-19 7.薛毅、陈立萍 编著《统计建模与R软件》，清华大学出版社，2006 《求助，下面几种状况SPSS交叉表分别该使用哪一种卡方分析，是Pearson卡方，还是Fisher‘s,还是连续性校正》 ，百度知道，2016-5-11
201808282046更新
r语言在生物医学领域的应用如下：
R语言在医学科学研究中应用广泛，典型的应用包括：机器学习技术可以帮助研究人员构建和改进机器学习模型，建立影响治疗效果的变量；统计学分析可以帮助研究人员确认实验结果是有意义的或不可信的；R语言支持高级图形，可以帮助研究人员清楚地表达结果。
此外，R语言还提供数据预处理、建模和分析的工具和框架，从而使得研究者能够更有效地运用自己的精力和时间，以更快的速度完成研究。
总的来说，R语言是一种实用的软件，可以帮助研究人员快速进行医学研究，从而更快地获得结果。R语言的优势在于涵盖的范围较广，提供的功能较强，可扩展性强，而且可以免费使用。因此，建议研究人员在研究过程中尽可能多地使用R语言，以更好地实现研究目标。
我们日常所说的R语言，R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。R是统计领域广泛使用的诞生于1980年左右的S语言的一个分支。可以认为R是S语言的一种实现。
r语言在生物医学领域的应用如下：
R语言在医学科学研究中应用广泛，典型的应用包括：机器学习技术可以帮助研究人员构建和改进机器学习模型，建立影响治疗效果的变量；统计学分析可以帮助研究人员确认实验结果是有意义的或不可信的；R语言支持高级图形，可以帮助研究人员清楚地表达结果。
此外，R语言还提供数据预处理、建模和分析的工具和框架，从而使得研究者能够更有效地运用自己的精力和时间，以更快的速度完成研究。
总的来说，R语言是一种实用的软件，可以帮助研究人员快速进行医学研究，从而更快地获得结果。R语言的优势在于涵盖的范围较广，提供的功能较强，可扩展性强，而且可以免费使用。因此，建议研究人员在研究过程中尽可能多地使用R语言，以更好地实现研究目标。
我们日常所说的R语言，R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。R是统计领域广泛使用的诞生于1980年左右的S语言的一个分支。可以认为R是S语言的一种实现。
医学生有必要学r语言。
R语言是用于统计分析、绘图的语言和操作环境。R是一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
诸位大概都知道，统计分析领域常用的语言包括SPSS、SAS、Stata，因素，它们统称为统计分析软件。R语言也是一种数据分析工具。
R是统计领域广泛使用的诞生于1980年左右的S语言的一个分支。可以认为R是S语言的一种交互式实现。
它是完全免费,开放源代码的。可以在它的网站及其镜像中下载任何有关的安装程序、源代码、程序包及其源代码、文档资料。
R是一种可编程的语言。作为一个开放的统计编程环境,语法通俗易懂,很容易学会和掌握语言的语法。
R语言其实就是一种环境平台。它提供平台，而统计分析研究和计算机研究人员可以将各自通过编程形成的统计分析方法以打包（package）的方式放在R语言平台上，供一般的统计分析者直接使用。
我们可以不懂统计分析原理，但是我们可以通过写一句命令就可以让软件调用统计分析包帮我执行某一个统计分析。
R语言的开放性， 它的更新速度比一般统计软件,如,SPSS,SAS等快得多。最新的统计分析方法，最复杂的方法都能在R语言上发现。
由于它比SPSS、SAS、Stata，注重于编程，相对来说学习起来具有一定难度，但它属于傻瓜式的编程。你能想到的所有统计相关的工作，R都可以非常简洁的用几行命令帮你完成。
转自医学方
2019-07-4 Alexander
流行病学或者医学论文中，对研究对象基本情况的描述通常以表格的形式进行，并且放在结果部分的开头，即Table 1，主要内容是研究对象一般情况和研究变量或协变量的分组展示。
前几天文章修回过程中，花了两天时间分析数据，修改文章，其中有近1天的时间都在手动录入数据（从R studio里把分析结果整理到Excel或者word），这样除了花费时间外，还非常容易出错。之前一直想找时间通过R markdown把制作表格的过程程序化，可是效果并不理想。
这次痛定思痛，先从table 1开始，发现了几个不错的方法。其中一种个人觉得可读性和可编辑性都比较强，于是学习了一下，作为一个非常实用的工具分享给大家。
这里主要参考一篇博客Fast-track publishing using knitr: table mania，对细节进行了加工和注释。
1 数据的准备
数据主要来自于boot包的melanoma。加载后，看下数据的基本结构。
接下来对数据进行简单的整理，为后续分析做准备；
将分类变量定义为因子型并设置标签（这里建议设置一个新的变量，仅用于table 1的制作，不影响后续的分析）；
2 安装和加载R包 Gmisc
后面两个包是加载“Gmisc”时要求加载的。
3 自定义函数、制作表格
根据已有函数自定义函数，并制作表格。定义一个函数，输入数据集的变量并得到该变量的统计结果：
函数定义完成后，建立一个空的列表，以储存每个变量的分析结果，并进行分析，将结果储存在列表中：
将所有结果merge到一个矩阵中，并建立rgroup（table1第一列的变量名） 和 （table 1第一列每个变量的行数）：
结果如下：
当然，有些情况下，需要多加一个分组标题栏（column spanner），该怎么加呢？
如下：
结果如下：
4 导出结果
在R studio viewer窗口点击白色按钮，即可在浏览器中打开，然后复制粘贴到word可以进一步加工修饰。
是不是很刺激呢。 应该还有其他的导出方法，不过这个已经很方便了。
拓展功能选
⒈ 二分类变量只显示一个（比如男性和女性）。只要在getDescriptionStatsBy的"show_all_values"参数设置为FALSE即可；
⒉ 显示缺失值。getDescriptionStatsBy的"useNA"参数设置为"ifany"，表示如果有缺失值就显示缺失值情况；如设置为“no”，表示始终不显示缺失值情况；“always”则表示无论是否有缺失值都显示缺失值情况；
⒊ Total一列是可以去掉的，getDescriptionStatsBy的"add_total_col"参数设置为FALSE即可。
不足之处
⒈ 差异性检验是采用非参的方法，虽然没有错，但是一般符合参数检验条件的数据还是要使用参数检验的方法，这里可以自行检验后再修改P-value；
⒉ Mean (SD)的展示形式有个括号感觉有点别扭，还不知道怎么去掉，有方法的小伙伴欢迎分享交流。
另外有一些其他的制作table 1的R包，比如table 1（R包的名字）包，tableone包，还有其他生成表格的R包（plyr等），个人浏览下来感觉这个最容易理解和掌握，其他包的功能有兴趣的可以再自行挖掘对比。
原文链接：
在r中看函数源代码：在R中，代码可以分为如下几个级别：首先，是你输入了函数对象名称，你可以直接看到代码的，如要获得函数对象fivenum的代码，就只需要在Console中键入函数对象名称fivenum就可以得到如下结果：function (x, = TRUE){xna <- (x)if ()x <- x[!xna]else if (any(xna))return((NA, 5))x <- sort(x)n <- length(x)if (n == 0)(NA, 5)else {n4 <- floor((n + 3)/2)/2d <- c(1, n4, (n + 1)/2, n + 1 - n4, n) * (x[floor(d)] + x[ceiling(d)])}}