#卡方检验R语言实现  #首先我们先生成一个临床数据样例  set.seed(7897)data <- data.frame(agegroup=sample(c(">=60","<60"),45,replace = T),smoke=sample(c("tobacco","NOtobacco"),45,replace=T),drink=sample(c("alcohol","NDalcohol"),45,replace=T),tea=sample(c("leaf","NOleaf"),45,replace =T))  #先来看看数据head(data)

#现在假如我们想用卡方检验看看age和smoke两者之间是否存在一定的联系，就可以单个检验#先看看大致实际情况  table(data$agegroup,data$smoke)

#卡方检验  s=chisq.test(data$agegroup,data$smoke,correct = TRUE)#看看期望频数是多少

#结果P值为0.67，大于0.05，并没有说明分类变量之间没有关联#就这么简单？当然不是，如果上面期望频数小于1，我们就需要用fisher检验去对这两列进行重新计算#我们手动调整一下数据data$drink[3:45]="alcohol"data$tea[1:44]="NOleaf"#再试一次s=chisq.test(data$agegroup,data$drink,correct = TRUE)s#expected

#会出现提示，同时期望频数出现小于1的情况#就需要fisher检验fisher.test(data$agegroup,data$drink)

#那如果变量很多该怎么办？不能一个一个的运行吧？#别着急，大海哥这就教你如何批量处理#首先导入R包purrrlibrary(purrr)#主要分类变量选择年龄，大家可以选择自己需要分析的变量哦！FUN<- function(x){chisq.test(data[,"agegroup"],x ,correct = TRUE)}#需要计算的变量为2到4列chi_result<-purrr::map(data[,2:4],FUN)
FUN2<-function(x){b1=x$expected}#把期望频数都放入结果中expected_result<-map(chi_result,FUN2)expected_result

#转换为二维矩阵expected_result2<-map_dfr(chi_result,FUN2)expected_result2=as.data.frame(as.matrix(expected_result2))names(expected_result2)

#看看哪些关联计算的期望频数出现小于1的情况a1=unique(which(expected_result2<1,arr.ind=T)[,2])a1

#说明drink和tea在计算期望频数时出现小于1的情况#可以针对这几个做fisher处理啦！#直接导出所有的结果，然后对drink和tea做fisher验证tab1<-CreateTableOne(data=data,#指定分组变量strata="agegroup",#指定要分析的变量vars = colnames(data)[2:4],#设置属于分类变量的factorVars=colnames(data)[2:4],#添加Overall列的分析结果addOverall=TRUE)#最终结果Table1<-print(tab1,showAllLevels=TRUE,#显示所有水平，不折叠    cramVars=colnames(data)[1:4],#设置属于分类变量的    #nonnormal=“”,设置属于两虚非正态的变量    exact= c("drink","tea"),#指定需要进行fisher检验的变量    catDigits=4,#分类变量保留小数位数    contDigits=4, #连续变量保留小数位数    quote=FALSE,#不显示引号    noSpace=TRUE,#是否删除为对齐而添加的空间    printToggle=FALSE#输出matrix)#打印一下Table1