如何在 r 中为多列、子列和统计测试创建应急 table？
How to create contingency table in r for with multiple columns, sub columns, and statistical test?
数据
df <- structure(list(`Column 1` = c(4.6875, 4.35625, 4.62083333333333,
3.625, 4.125, 4.16666666666667, 4.41071428571429, 3.78125, 4.77083333333333,
4.90625, 4.75, 3.85, 4, 4.78125, 4.44791666666667, 3.66666666666667,
3.95833333333333, 4.17916666666667, 4.33333333333333, 4.25634920634921
), `Column 2` = c(4.16666666666667, 4.2, 3.38888888888889, 4,
3.33333333333333, 4.06666666666667, 3.87857142857143, 3.38888888888889,
4.75, 4.66666666666667, 4.66666666666667, 3.66666666666667, 3.58333333333333,
4.34722222222222, 5, 2.77777777777778, 2.8, 3.54166666666667,
3.86666666666667, 3.83888888888889), `Column 3` = c(4.42857142857143,
4.2952380952381, 4.57619047619048, 3.64285714285714, 4, 4.26190476190476,
3.6421768707483, 3.17857142857143, 4.76190476190476, 4.58333333333333,
4.85714285714286, 4.22857142857143, 4.14285714285714, 4.53571428571429,
4.31666666666667, 3.71428571428571, 4.09523809523809, 3.48571428571429,
4.19047619047619, 3.83741496598639), `Column 4` = c(4.375, 4.43333333333333,
4.375, 3.5, 3.75, 4.08333333333333, 4.30952380952381, 3.25, 5,
4.9375, 4.875, 3.88333333333333, 4.25, 4.4375, 4.27083333333333,
3.58333333333333, 3.625, 3.275, 4.08333333333333, 4.05), `Column 5` = c(5,
4.27777777777778, 4.44444444444444, 3.5, 4.5, 3.77777777777778,
4.38095238095238, 4.16666666666667, 4.66666666666667, 4.91666666666667,
5, 4.13333333333333, 4.55555555555556, 4.66666666666667, 4.65,
4.33333333333333, 4.44444444444444, 3.26666666666667, 4.77777777777778,
4.3), `Column 6` = c(4.33333333333333, 4.5, 4.52222222222222,
4, 3.83333333333333, 4, 4.52380952380952, 4.16666666666667, 4.55555555555556,
4.91666666666667, 4.36111111111111, 4, 4, 4.91666666666667, 4.41666666666667,
4, 3.33333333333333, 4.08333333333333, 4.33333333333333, 4.06666666666667
), `Column 7` = c(4.11538461538461, 4.18461538461538, 4.46153846153846,
3.92307692307692, 3.72727272727273, 4.11666666666667, 3.68131868131868,
3.55128205128205, 4.70512820512821, 4.71153846153846, 4.69871794871795,
3.93333333333333, 4, 4.61538461538461, 4.37121212121212, 3.75925925925926,
3.80555555555556, 3.70512820512821, 4.43589743589744, 4.01813186813187
), `Column 8` = c(4, 4.05833333333333, 4.70833333333333, 3.875,
4.25, 4.16666666666667, 3.96428571428571, 2.9375, 4.70833333333333,
4.6875, 4.875, 3.8375, 4.33333333333333, 4.1875, 4.6, 4.16666666666667,
3.58333333333333, 3.5625, 4.16666666666667, 3.96706349206349),
`Column 9` = c(4.4, 4.33333333333333, 4.6, 4.1, 3.8, 4.06666666666667,
4.37142857142857, 3.9, 4.73333333333333, 4.9, 4.75, 4.28,
4.06666666666667, 4.75, 4.56, 3.4, 3.26666666666667, 3.56,
4.33333333333333, 4.00444444444444), `Column 10` = c(4, 4.22777777777778,
4.45555555555556, 3.7, 3.8, 4, 4.26587301587302, 3.91666666666667,
4.94444444444444, 4.79166666666667, 4.81944444444444, 3.7,
4.11111111111111, 4.61111111111111, 4.88888888888889, 4.25,
4.25, 4.08888888888889, 4.19444444444444, 4.43234126984127
), `Column 11` = c(4.33333333333333, 4.05555555555556, 4.5,
4.16666666666667, 3.83333333333333, 4.33333333333333, 4.71428571428571,
3.83333333333333, 4.77777777777778, 4.91666666666667, 4.5,
3.9, 3.88888888888889, 4.75, 4.6, 3.22222222222222, 3.44444444444444,
3.8, 4.33333333333333, 4.11666666666667), `Column 12` = c(4.16666666666667,
4.27777777777778, 4.5, 3.25, 4.5, 3.83333333333333, 4, 4.33333333333333,
4.61111111111111, 4.66666666666667, 4.83333333333333, 4.66666666666667,
3.88888888888889, 4.36111111111111, 4.13888888888889, 4,
4.88888888888889, 3.91666666666667, 4.66666666666667, 4.005291005291
), `Column 13` = c(4.22222222222222, 4.27777777777778, 4.43518518518519,
4.05555555555556, 4.125, 4.31481481481481, 3.63227513227513,
3.58333333333333, 4.88888888888889, 4.72222222222222, 4.84259259259259,
4.07777777777778, 4.2962962962963, 4.69444444444444, 4.40625,
3.97916666666667, 4.11111111111111, 3.825, 4.31481481481481,
4.08086419753086), `Column 14` = c(4.11111111111111, 4.22962962962963,
4.3, 3.83333333333333, 3.83333333333333, 4.07407407407407,
3.94179894179894, 3.80555555555556, 4.88888888888889, 4.69444444444444,
4.75925925925926, 3.80740740740741, 3.98148148148148, 4.72222222222222,
4.5, 3.66666666666667, 3.35185185185185, 3.82592592592593,
4.22222222222222, 4.18302469135802), `Column 15` = c(4.125,
4.55833333333333, 4.59166666666667, 4, 4.25, 4, 4.39285714285714,
4, 5, 4.9375, 4.9375, 4.35833333333333, 4.16666666666667,
4.9375, 5, 4.45833333333333, 4.66666666666667, 4.75, 4.75,
4.52916666666667), `Column 16` = c(4.21428571428571, 4.31428571428571,
4.5047619047619, 3.85714285714286, 4.08333333333333, 4.26190476190476,
3.90068027210884, 3.53571428571429, 4.90476190476191, 4.89285714285714,
4.89285714285714, 3.87222222222222, 4.33333333333333, 4.71428571428571,
4.61944444444444, 4.25, 4.14285714285714, 3.51111111111111,
4.23809523809524, 4.28174603174603), `Column 17` = c(NaN,
1.02777777777778, NaN, 1.17142857142857, 2.07142857142857,
1.52777777777778, 1.11111111111111, 1.27777777777778, NaN,
1, 1.11428571428571, 1.32258064516129, 1.78125, 1.52777777777778,
1.69444444444444, 2.05714285714286, 1.48571428571429, 2.22222222222222,
NaN, 1.38235294117647), `Topic 1` = c(1, 0, 0, 1, 1, 1, 1,
1, 1, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0), `Topic 2` = c(0,
0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 1, 1, 0),
`Topic 3` = c(0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0,
1, 1, 1, 0, 1), `Topic 4` = c(1, 1, 0, 0, 1, 1, 1, 0, 0,
0, 1, 0, 1, 0, 1, 0, 0, 0, 0, 1), `Topic 5` = c(1, 0, 1,
1, 0, 1, 1, 0, 1, 1, 0, 1, 0, 1, 1, 1, 1, 0, 1, 1), `Topic 6` = c(1,
0, 1, 0, 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0),
`Topic 7` = c(1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1,
0, 0, 0, 0, 0), `Topic 8` = c(1, 1, 1, 1, 0, 1, 1, 1, 1,
0, 1, 1, 0, 1, 0, 0, 1, 1, 1, 1)), row.names = c(NA, -20L
), class = c("tbl_df", "tbl", "data.frame"))
数据概览
有 17 列命名为第 1 列到第 17 列，8 列命名为主题 1 到主题 8。实际上有超过 15k 行，但为简单起见，我只抽取了 20 行。
Rows: 20
Columns: 25
$ `Column 1` <dbl> 4.687500, 4.356250, 4.620833, 3.625000, 4.125000, 4.166667, 4.410714,...
$ `Column 2` <dbl> 4.166667, 4.200000, 3.388889, 4.000000, 3.333333, 4.066667, 3.878571,...
$ `Column 3` <dbl> 4.428571, 4.295238, 4.576190, 3.642857, 4.000000, 4.261905, 3.642177,...
$ `Column 4` <dbl> 4.375000, 4.433333, 4.375000, 3.500000, 3.750000, 4.083333, 4.309524,...
$ `Column 5` <dbl> 5.000000, 4.277778, 4.444444, 3.500000, 4.500000, 3.777778, 4.380952,...
$ `Column 6` <dbl> 4.333333, 4.500000, 4.522222, 4.000000, 3.833333, 4.000000, 4.523810,...
$ `Column 7` <dbl> 4.115385, 4.184615, 4.461538, 3.923077, 3.727273, 4.116667, 3.681319,...
$ `Column 8` <dbl> 4.000000, 4.058333, 4.708333, 3.875000, 4.250000, 4.166667, 3.964286,...
$ `Column 9` <dbl> 4.400000, 4.333333, 4.600000, 4.100000, 3.800000, 4.066667, 4.371429,...
$ `Column 10` <dbl> 4.000000, 4.227778, 4.455556, 3.700000, 3.800000, 4.000000, 4.265873,...
$ `Column 11` <dbl> 4.333333, 4.055556, 4.500000, 4.166667, 3.833333, 4.333333, 4.714286,...
$ `Column 12` <dbl> 4.166667, 4.277778, 4.500000, 3.250000, 4.500000, 3.833333, 4.000000,...
$ `Column 13` <dbl> 4.222222, 4.277778, 4.435185, 4.055556, 4.125000, 4.314815, 3.632275,...
$ `Column 14` <dbl> 4.111111, 4.229630, 4.300000, 3.833333, 3.833333, 4.074074, 3.941799,...
$ `Column 15` <dbl> 4.125000, 4.558333, 4.591667, 4.000000, 4.250000, 4.000000, 4.392857,...
$ `Column 16` <dbl> 4.214286, 4.314286, 4.504762, 3.857143, 4.083333, 4.261905, 3.900680,...
$ `Column 17` <dbl> NaN, 1.027778, NaN, 1.171429, 2.071429, 1.527778, 1.111111, 1.277778,...
$ `Topic 1` <dbl> 1, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0
$ `Topic 2` <dbl> 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 1, 1, 0
$ `Topic 3` <dbl> 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1
$ `Topic 4` <dbl> 1, 1, 0, 0, 1, 1, 1, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 0, 0, 1
$ `Topic 5` <dbl> 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1, 0, 1, 1, 1, 1, 0, 1, 1
$ `Topic 6` <dbl> 1, 0, 1, 0, 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0
$ `Topic 7` <dbl> 1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0
$ `Topic 8` <dbl> 1, 1, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 0, 1, 0, 0, 1, 1, 1, 1
第 1 列到第 17 列为行，主题 1 到主题 8 为带有子列 1 和 0 的列，我想要 N，均值（标准），中位数(IQR) 对于主题中的每个组。像下面这样；
我正在为此苦苦挣扎。我曾经在 R 中使用 TableOne 包，但我也不知道如何获取子组。
我能做的最接近的事情是使用 CreateTableOne，但仍然没有给我想要的方式。
df.long <- df %>% pivot_longer(cols= "Topic 1":"Topic 8", names_to="Topics", values_to="state")
tabs <- CreateTableOne(vars = comps, strata = c("Topics", "state"), data = df.long)
print(tabs,nonnormal=T )
我明白了，但不是我要找的。请注意，它按主题和状态进行分层，但没有像我正在寻找的那样将它们放在每个主题中。
Stratified by Topics:state
Topic 1:0 Topic 2:0 Topic 3:0
n 10 13 14
Column 1 (median [IQR]) 4.29 [4.04, 4.55] 4.45 [4.12, 4.75] 4.39 [4.03, 4.73]
Column 2 (median [IQR]) 3.71 [3.43, 4.12] 4.17 [3.58, 4.67] 4.03 [3.60, 4.59]
Column 3 (median [IQR]) 4.17 [3.90, 4.51] 4.32 [4.10, 4.58] 4.29 [4.15, 4.57]
Column 4 (median [IQR]) 4.17 [3.73, 4.42] 4.38 [4.05, 4.44] 4.26 [3.93, 4.42]
Column 5 (median [IQR]) 4.44 [4.31, 4.72] 4.56 [4.44, 4.67] 4.60 [4.24, 4.75]
Column 6 (median [IQR]) 4.21 [4.02, 4.47] 4.36 [4.00, 4.52] 4.33 [4.00, 4.50]
Column 7 (median [IQR]) 4.10 [3.85, 4.46] 4.18 [4.00, 4.62] 4.24 [3.95, 4.58]
Column 8 (median [IQR]) 4.17 [3.99, 4.60] 4.25 [4.00, 4.69] 4.22 [4.04, 4.67]
Column 9 (median [IQR]) 4.20 [3.67, 4.53] 4.40 [4.07, 4.73] 4.37 [4.07, 4.70]
Column 10 (median [IQR]) 4.25 [4.20, 4.45] 4.43 [4.11, 4.79] 4.15 [3.94, 4.75]
Column 11 (median [IQR]) 4.09 [3.82, 4.46] 4.33 [4.06, 4.60] 4.33 [3.97, 4.57]
Column 12 (median [IQR]) 4.39 [4.00, 4.67] 4.36 [4.14, 4.61] 4.43 [4.15, 4.65]
Column 13 (median [IQR]) 4.29 [4.09, 4.41] 4.30 [4.12, 4.69] 4.31 [4.15, 4.63]
Column 14 (median [IQR]) 4.20 [3.86, 4.28] 4.23 [3.98, 4.69] 4.17 [3.87, 4.65]
Column 15 (median [IQR]) 4.63 [4.54, 4.75] 4.59 [4.25, 4.94] 4.47 [4.14, 4.94]
Column 16 (median [IQR]) 4.30 [4.24, 4.46] 4.33 [4.21, 4.71] 4.30 [4.12, 4.69]
Column 17 (median [IQR]) 1.43 [1.09, 1.85] 1.43 [1.13, 1.65] 1.43 [1.20, 1.65]
Stratified by Topics:state
Topic 4:0 Topic 5:0 Topic 6:0
n 11 6 10
Column 1 (median [IQR]) 4.18 [3.82, 4.70] 4.15 [4.03, 4.31] 4.38 [4.19, 4.67]
Column 2 (median [IQR]) 3.67 [3.39, 4.17] 3.56 [3.43, 4.05] 4.13 [3.91, 4.59]
Column 3 (median [IQR]) 4.19 [3.68, 4.56] 4.07 [3.61, 4.26] 4.28 [3.94, 4.48]
Column 4 (median [IQR]) 3.88 [3.54, 4.41] 4.00 [3.39, 4.39] 4.29 [4.06, 4.44]
Column 5 (median [IQR]) 4.44 [4.15, 4.67] 4.39 [4.19, 4.54] 4.34 [4.17, 4.66]
Column 6 (median [IQR]) 4.17 [4.00, 4.54] 4.12 [4.02, 4.31] 4.39 [4.02, 4.52]
Column 7 (median [IQR]) 3.93 [3.78, 4.54] 3.86 [3.71, 4.14] 4.15 [3.95, 4.55]
Column 8 (median [IQR]) 4.17 [3.71, 4.44] 4.15 [3.69, 4.31] 4.11 [3.96, 4.50]
Column 9 (median [IQR]) 4.28 [3.73, 4.67] 3.98 [3.82, 4.27] 4.35 [4.14, 4.69]
Column 10 (median [IQR]) 4.25 [4.00, 4.53] 4.10 [3.96, 4.20] 4.35 [4.06, 4.77]
Column 11 (median [IQR]) 4.17 [3.82, 4.62] 3.86 [3.83, 4.01] 4.42 [4.13, 4.69]
Column 12 (median [IQR]) 4.50 [4.17, 4.67] 4.31 [4.01, 4.46] 4.21 [4.00, 4.55]
Column 13 (median [IQR]) 4.11 [4.02, 4.56] 4.20 [3.90, 4.29] 4.30 [4.08, 4.62]
Column 14 (median [IQR]) 3.83 [3.81, 4.50] 3.91 [3.83, 4.17] 4.21 [3.97, 4.67]
Column 15 (median [IQR]) 4.67 [4.41, 4.84] 4.40 [4.19, 4.70] 4.54 [4.37, 4.94]
Column 16 (median [IQR]) 4.24 [3.86, 4.61] 4.20 [3.67, 4.33] 4.30 [3.99, 4.69]
Column 17 (median [IQR]) 1.40 [1.25, 1.66] 1.53 [1.16, 2.00] 1.32 [1.11, 1.53]
Stratified by Topics:state
Topic 7:0 Topic 8:0 Topic 1:1
n 11 5 10
Column 1 (median [IQR]) 4.17 [3.90, 4.29] 4.12 [4.00, 4.45] 4.29 [3.92, 4.63]
Column 2 (median [IQR]) 3.67 [3.47, 3.87] 3.58 [3.33, 4.67] 4.03 [3.72, 4.30]
Column 3 (median [IQR]) 4.10 [3.68, 4.21] 4.14 [4.00, 4.32] 4.25 [3.73, 4.40]
Column 4 (median [IQR]) 4.05 [3.60, 4.17] 4.25 [3.75, 4.27] 4.18 [3.78, 4.36]
Column 5 (median [IQR]) 4.33 [3.96, 4.44] 4.56 [4.50, 4.65] 4.44 [4.14, 4.66]
Column 6 (median [IQR]) 4.00 [4.00, 4.21] 4.00 [4.00, 4.42] 4.25 [4.00, 4.50]
Column 7 (median [IQR]) 3.93 [3.78, 4.07] 4.00 [3.76, 4.37] 4.02 [3.78, 4.31]
Column 8 (median [IQR]) 3.97 [3.86, 4.17] 4.33 [4.25, 4.60] 4.08 [3.90, 4.23]
Column 9 (median [IQR]) 4.07 [3.78, 4.31] 4.07 [3.80, 4.56] 4.33 [4.07, 4.52]
Column 10 (median [IQR]) 4.19 [4.04, 4.26] 4.25 [4.11, 4.79] 4.00 [3.83, 4.52]
Column 11 (median [IQR]) 4.12 [3.84, 4.33] 3.89 [3.83, 4.60] 4.33 [3.97, 4.69]
Column 12 (median [IQR]) 4.00 [3.90, 4.58] 4.14 [4.00, 4.50] 4.25 [4.03, 4.47]
Column 13 (median [IQR]) 4.08 [4.02, 4.31] 4.30 [4.12, 4.41] 4.17 [4.06, 4.38]
Column 14 (median [IQR]) 3.94 [3.82, 4.13] 3.98 [3.83, 4.50] 4.01 [3.83, 4.40]
Column 15 (median [IQR]) 4.46 [4.26, 4.63] 4.46 [4.25, 4.94] 4.30 [4.03, 4.80]
Column 16 (median [IQR]) 4.24 [3.89, 4.27] 4.33 [4.25, 4.62] 4.15 [3.88, 4.53]
Column 17 (median [IQR]) 1.49 [1.32, 1.78] 1.78 [1.69, 2.06] 1.43 [1.25, 1.57]
Stratified by Topics:state
Topic 2:1 Topic 3:1 Topic 4:1
n 7 6 9
Column 1 (median [IQR]) 4.17 [3.82, 4.26] 4.22 [4.01, 4.33] 4.36 [4.17, 4.45]
Column 2 (median [IQR]) 3.67 [3.47, 3.87] 3.69 [2.99, 3.87] 4.07 [3.84, 4.20]
Column 3 (median [IQR]) 3.71 [3.56, 4.21] 3.78 [3.66, 4.03] 4.26 [4.00, 4.32]
Column 4 (median [IQR]) 3.88 [3.43, 4.08] 3.84 [3.59, 4.24] 4.27 [4.08, 4.38]
Column 5 (median [IQR]) 4.17 [3.96, 4.36] 4.32 [4.28, 4.37] 4.50 [4.30, 4.65]
Column 6 (median [IQR]) 4.08 [4.00, 4.25] 4.07 [4.02, 4.40] 4.33 [4.00, 4.42]
Column 7 (median [IQR]) 3.76 [3.69, 4.03] 3.78 [3.72, 3.96] 4.12 [4.00, 4.18]
Column 8 (median [IQR]) 3.96 [3.70, 4.17] 3.97 [3.68, 4.04] 4.17 [4.00, 4.33]
Column 9 (median [IQR]) 4.07 [3.73, 4.31] 3.78 [3.44, 4.25] 4.33 [4.07, 4.40]
Column 10 (median [IQR]) 4.09 [3.96, 4.22] 4.25 [4.23, 4.26] 4.23 [4.00, 4.43]
Column 11 (median [IQR]) 3.90 [3.82, 4.33] 3.93 [3.53, 4.10] 4.33 [4.06, 4.50]
Column 12 (median [IQR]) 4.00 [3.96, 4.50] 4.00 [4.00, 4.21] 4.14 [4.00, 4.28]
Column 13 (median [IQR]) 3.98 [3.73, 4.20] 4.03 [3.86, 4.10] 4.28 [4.12, 4.31]
Column 14 (median [IQR]) 3.83 [3.81, 4.01] 3.88 [3.71, 4.12] 4.11 [3.98, 4.23]
Column 15 (median [IQR]) 4.39 [4.18, 4.60] 4.54 [4.48, 4.64] 4.39 [4.17, 4.56]
Column 16 (median [IQR]) 3.90 [3.70, 4.24] 4.20 [3.96, 4.27] 4.28 [4.21, 4.33]
Column 17 (median [IQR]) 1.43 [1.29, 1.92] 1.43 [1.18, 1.91] 1.46 [1.11, 1.72]
Stratified by Topics:state
Topic 5:1 Topic 6:1 Topic 7:1
n 14 10 9
Column 1 (median [IQR]) 4.37 [4.01, 4.67] 4.15 [3.97, 4.55] 4.69 [4.36, 4.77]
Column 2 (median [IQR]) 3.94 [3.71, 4.30] 3.47 [3.35, 3.80] 4.35 [4.17, 4.67]
Column 3 (median [IQR]) 4.25 [3.90, 4.51] 4.12 [3.79, 4.37] 4.43 [4.30, 4.58]
Column 4 (median [IQR]) 4.18 [3.92, 4.38] 3.92 [3.59, 4.34] 4.43 [4.27, 4.88]
Column 5 (median [IQR]) 4.44 [4.31, 4.67] 4.47 [4.36, 4.72] 4.67 [4.50, 4.92]
Column 6 (median [IQR]) 4.33 [4.00, 4.52] 4.12 [4.00, 4.33] 4.42 [4.33, 4.56]
Column 7 (median [IQR]) 4.12 [3.93, 4.46] 3.90 [3.74, 4.36] 4.37 [4.12, 4.70]
Column 8 (median [IQR]) 4.17 [3.96, 4.50] 4.17 [3.69, 4.31] 4.25 [4.06, 4.69]
Column 9 (median [IQR]) 4.35 [4.07, 4.59] 3.98 [3.62, 4.38] 4.56 [4.33, 4.75]
Column 10 (median [IQR]) 4.26 [4.05, 4.57] 4.15 [4.02, 4.25] 4.61 [4.00, 4.82]
Column 11 (median [IQR]) 4.33 [4.13, 4.69] 3.86 [3.81, 4.33] 4.50 [4.06, 4.75]
Column 12 (median [IQR]) 4.26 [4.00, 4.65] 4.42 [4.04, 4.62] 4.36 [4.28, 4.61]
Column 13 (median [IQR]) 4.27 [4.08, 4.43] 4.17 [4.01, 4.31] 4.41 [4.22, 4.72]
Column 14 (median [IQR]) 4.15 [3.86, 4.45] 3.91 [3.81, 4.19] 4.50 [4.11, 4.72]
Column 15 (median [IQR]) 4.56 [4.37, 4.89] 4.53 [4.19, 4.73] 4.94 [4.25, 4.94]
Column 16 (median [IQR]) 4.26 [4.16, 4.59] 4.23 [4.10, 4.31] 4.62 [4.21, 4.89]
Column 17 (median [IQR]) 1.43 [1.21, 1.53] 1.78 [1.38, 2.06] 1.28 [1.07, 1.61]
Stratified by Topics:state
Topic 8:1 p test SMD
n 15
Column 1 (median [IQR]) 4.33 [4.06, 4.65] 0.641 nonnorm 0.372
Column 2 (median [IQR]) 3.88 [3.60, 4.18] 0.093 nonnorm 0.512
Column 3 (median [IQR]) 4.23 [3.74, 4.48] 0.291 nonnorm 0.420
Column 4 (median [IQR]) 4.08 [3.75, 4.40] 0.422 nonnorm 0.413
Column 5 (median [IQR]) 4.38 [4.15, 4.67] 0.365 nonnorm 0.418
Column 6 (median [IQR]) 4.33 [4.03, 4.51] 0.904 nonnorm 0.306
Column 7 (median [IQR]) 4.12 [3.86, 4.45] 0.403 nonnorm 0.434
Column 8 (median [IQR]) 4.00 [3.86, 4.18] 0.314 nonnorm 0.439
Column 9 (median [IQR]) 4.33 [4.04, 4.50] 0.283 nonnorm 0.471
Column 10 (median [IQR]) 4.23 [4.00, 4.44] 0.856 nonnorm 0.352
Column 11 (median [IQR]) 4.33 [3.98, 4.50] 0.272 nonnorm 0.434
Column 12 (median [IQR]) 4.33 [4.00, 4.64] 0.943 nonnorm 0.251
Column 13 (median [IQR]) 4.22 [4.07, 4.38] 0.299 nonnorm 0.460
Column 14 (median [IQR]) 4.11 [3.83, 4.26] 0.261 nonnorm 0.456
Column 15 (median [IQR]) 4.56 [4.24, 4.75] 0.936 nonnorm 0.285
Column 16 (median [IQR]) 4.24 [3.89, 4.41] 0.371 nonnorm 0.463
Column 17 (median [IQR]) 1.32 [1.14, 1.51] 0.974 nonnorm 0.327
所以，重申一下，我想要 table 中的几件事。
- 第 1 列：第 8 列作为行
- 主题 1：主题 8 作为专栏
- 每个主题和子主题 N
- 平均（标准）
- 中位数（iqr）
- 对于每个列，我还想要一个统计测试。也许 kruskal-wallis 测试？任何建议将不胜感激。
这将以正确的结构获取信息。 （sub_topic 列只是 wide-form 表示的长格式。）
一旦为每个列和主题指定了 state 值，您就可以执行任何需要的统计测试。
df %>%
pivot_longer(cols= "Column 1":"Column 17",
names_to = "column",
names_pattern = " (\d+)$",
values_to = "state") %>%
pivot_longer(-c(column, state),
names_to = "topic",
names_pattern = " (\d+)$",
values_to = "sub_topic") %>%
group_by(topic, sub_topic, column) %>%
summarise(n = n(),
m = mean(state),
std = sd(state),
median = median(state),
iqr = IQR(state, na.rm = T)) %>%
pivot_longer(-c(column, topic, sub_topic)) %>%
pivot_wider(names_from = topic, names_prefix = "topic_", values_from = value) %>%
arrange(column, sub_topic) %>%
select(column, sub_topic, name, everything())
输出：
# A tibble: 170 x 11
# Groups: sub_topic [2]
column sub_topic name topic_1 topic_2 topic_3 topic_4 topic_5 topic_6 topic_7 topic_8
<chr> <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 0 n 10 13 14 11 6 10 11 5
2 1 0 m 4.30 4.41 4.35 4.22 4.20 4.34 4.10 4.23
3 1 0 std 0.380 0.393 0.424 0.482 0.331 0.388 0.310 0.471
4 1 0 median 4.29 4.45 4.39 4.18 4.15 4.38 4.17 4.12
5 1 0 iqr 0.510 0.625 0.703 0.880 0.281 0.485 0.391 0.448
6 1 1 n 10 7 6 9 14 10 9 15
7 1 1 m 4.26 4.06 4.14 4.36 4.32 4.23 4.51 4.30
8 1 1 std 0.422 0.289 0.280 0.251 0.421 0.407 0.370 0.378
9 1 1 median 4.29 4.17 4.22 4.36 4.37 4.15 4.69 4.33
10 1 1 iqr 0.709 0.441 0.318 0.281 0.660 0.580 0.415 0.592
# … with 160 more rows
步骤：
- 将列转为长
- 将topics/sub-topics转向多头
- 按主题分组->sub_topic->列，执行聚合
- 进一步扩大话题范围
- 排列行列顺序
数据
df <- structure(list(`Column 1` = c(4.6875, 4.35625, 4.62083333333333,
3.625, 4.125, 4.16666666666667, 4.41071428571429, 3.78125, 4.77083333333333,
4.90625, 4.75, 3.85, 4, 4.78125, 4.44791666666667, 3.66666666666667,
3.95833333333333, 4.17916666666667, 4.33333333333333, 4.25634920634921
), `Column 2` = c(4.16666666666667, 4.2, 3.38888888888889, 4,
3.33333333333333, 4.06666666666667, 3.87857142857143, 3.38888888888889,
4.75, 4.66666666666667, 4.66666666666667, 3.66666666666667, 3.58333333333333,
4.34722222222222, 5, 2.77777777777778, 2.8, 3.54166666666667,
3.86666666666667, 3.83888888888889), `Column 3` = c(4.42857142857143,
4.2952380952381, 4.57619047619048, 3.64285714285714, 4, 4.26190476190476,
3.6421768707483, 3.17857142857143, 4.76190476190476, 4.58333333333333,
4.85714285714286, 4.22857142857143, 4.14285714285714, 4.53571428571429,
4.31666666666667, 3.71428571428571, 4.09523809523809, 3.48571428571429,
4.19047619047619, 3.83741496598639), `Column 4` = c(4.375, 4.43333333333333,
4.375, 3.5, 3.75, 4.08333333333333, 4.30952380952381, 3.25, 5,
4.9375, 4.875, 3.88333333333333, 4.25, 4.4375, 4.27083333333333,
3.58333333333333, 3.625, 3.275, 4.08333333333333, 4.05), `Column 5` = c(5,
4.27777777777778, 4.44444444444444, 3.5, 4.5, 3.77777777777778,
4.38095238095238, 4.16666666666667, 4.66666666666667, 4.91666666666667,
5, 4.13333333333333, 4.55555555555556, 4.66666666666667, 4.65,
4.33333333333333, 4.44444444444444, 3.26666666666667, 4.77777777777778,
4.3), `Column 6` = c(4.33333333333333, 4.5, 4.52222222222222,
4, 3.83333333333333, 4, 4.52380952380952, 4.16666666666667, 4.55555555555556,
4.91666666666667, 4.36111111111111, 4, 4, 4.91666666666667, 4.41666666666667,
4, 3.33333333333333, 4.08333333333333, 4.33333333333333, 4.06666666666667
), `Column 7` = c(4.11538461538461, 4.18461538461538, 4.46153846153846,
3.92307692307692, 3.72727272727273, 4.11666666666667, 3.68131868131868,
3.55128205128205, 4.70512820512821, 4.71153846153846, 4.69871794871795,
3.93333333333333, 4, 4.61538461538461, 4.37121212121212, 3.75925925925926,
3.80555555555556, 3.70512820512821, 4.43589743589744, 4.01813186813187
), `Column 8` = c(4, 4.05833333333333, 4.70833333333333, 3.875,
4.25, 4.16666666666667, 3.96428571428571, 2.9375, 4.70833333333333,
4.6875, 4.875, 3.8375, 4.33333333333333, 4.1875, 4.6, 4.16666666666667,
3.58333333333333, 3.5625, 4.16666666666667, 3.96706349206349),
`Column 9` = c(4.4, 4.33333333333333, 4.6, 4.1, 3.8, 4.06666666666667,
4.37142857142857, 3.9, 4.73333333333333, 4.9, 4.75, 4.28,
4.06666666666667, 4.75, 4.56, 3.4, 3.26666666666667, 3.56,
4.33333333333333, 4.00444444444444), `Column 10` = c(4, 4.22777777777778,
4.45555555555556, 3.7, 3.8, 4, 4.26587301587302, 3.91666666666667,
4.94444444444444, 4.79166666666667, 4.81944444444444, 3.7,
4.11111111111111, 4.61111111111111, 4.88888888888889, 4.25,
4.25, 4.08888888888889, 4.19444444444444, 4.43234126984127
), `Column 11` = c(4.33333333333333, 4.05555555555556, 4.5,
4.16666666666667, 3.83333333333333, 4.33333333333333, 4.71428571428571,
3.83333333333333, 4.77777777777778, 4.91666666666667, 4.5,
3.9, 3.88888888888889, 4.75, 4.6, 3.22222222222222, 3.44444444444444,
3.8, 4.33333333333333, 4.11666666666667), `Column 12` = c(4.16666666666667,
4.27777777777778, 4.5, 3.25, 4.5, 3.83333333333333, 4, 4.33333333333333,
4.61111111111111, 4.66666666666667, 4.83333333333333, 4.66666666666667,
3.88888888888889, 4.36111111111111, 4.13888888888889, 4,
4.88888888888889, 3.91666666666667, 4.66666666666667, 4.005291005291
), `Column 13` = c(4.22222222222222, 4.27777777777778, 4.43518518518519,
4.05555555555556, 4.125, 4.31481481481481, 3.63227513227513,
3.58333333333333, 4.88888888888889, 4.72222222222222, 4.84259259259259,
4.07777777777778, 4.2962962962963, 4.69444444444444, 4.40625,
3.97916666666667, 4.11111111111111, 3.825, 4.31481481481481,
4.08086419753086), `Column 14` = c(4.11111111111111, 4.22962962962963,
4.3, 3.83333333333333, 3.83333333333333, 4.07407407407407,
3.94179894179894, 3.80555555555556, 4.88888888888889, 4.69444444444444,
4.75925925925926, 3.80740740740741, 3.98148148148148, 4.72222222222222,
4.5, 3.66666666666667, 3.35185185185185, 3.82592592592593,
4.22222222222222, 4.18302469135802), `Column 15` = c(4.125,
4.55833333333333, 4.59166666666667, 4, 4.25, 4, 4.39285714285714,
4, 5, 4.9375, 4.9375, 4.35833333333333, 4.16666666666667,
4.9375, 5, 4.45833333333333, 4.66666666666667, 4.75, 4.75,
4.52916666666667), `Column 16` = c(4.21428571428571, 4.31428571428571,
4.5047619047619, 3.85714285714286, 4.08333333333333, 4.26190476190476,
3.90068027210884, 3.53571428571429, 4.90476190476191, 4.89285714285714,
4.89285714285714, 3.87222222222222, 4.33333333333333, 4.71428571428571,
4.61944444444444, 4.25, 4.14285714285714, 3.51111111111111,
4.23809523809524, 4.28174603174603), `Column 17` = c(NaN,
1.02777777777778, NaN, 1.17142857142857, 2.07142857142857,
1.52777777777778, 1.11111111111111, 1.27777777777778, NaN,
1, 1.11428571428571, 1.32258064516129, 1.78125, 1.52777777777778,
1.69444444444444, 2.05714285714286, 1.48571428571429, 2.22222222222222,
NaN, 1.38235294117647), `Topic 1` = c(1, 0, 0, 1, 1, 1, 1,
1, 1, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0), `Topic 2` = c(0,
0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 1, 1, 0),
`Topic 3` = c(0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0,
1, 1, 1, 0, 1), `Topic 4` = c(1, 1, 0, 0, 1, 1, 1, 0, 0,
0, 1, 0, 1, 0, 1, 0, 0, 0, 0, 1), `Topic 5` = c(1, 0, 1,
1, 0, 1, 1, 0, 1, 1, 0, 1, 0, 1, 1, 1, 1, 0, 1, 1), `Topic 6` = c(1,
0, 1, 0, 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0),
`Topic 7` = c(1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1,
0, 0, 0, 0, 0), `Topic 8` = c(1, 1, 1, 1, 0, 1, 1, 1, 1,
0, 1, 1, 0, 1, 0, 0, 1, 1, 1, 1)), row.names = c(NA, -20L
), class = c("tbl_df", "tbl", "data.frame"))
数据概览
有 17 列命名为第 1 列到第 17 列，8 列命名为主题 1 到主题 8。实际上有超过 15k 行，但为简单起见，我只抽取了 20 行。
Rows: 20
Columns: 25
$ `Column 1` <dbl> 4.687500, 4.356250, 4.620833, 3.625000, 4.125000, 4.166667, 4.410714,...
$ `Column 2` <dbl> 4.166667, 4.200000, 3.388889, 4.000000, 3.333333, 4.066667, 3.878571,...
$ `Column 3` <dbl> 4.428571, 4.295238, 4.576190, 3.642857, 4.000000, 4.261905, 3.642177,...
$ `Column 4` <dbl> 4.375000, 4.433333, 4.375000, 3.500000, 3.750000, 4.083333, 4.309524,...
$ `Column 5` <dbl> 5.000000, 4.277778, 4.444444, 3.500000, 4.500000, 3.777778, 4.380952,...
$ `Column 6` <dbl> 4.333333, 4.500000, 4.522222, 4.000000, 3.833333, 4.000000, 4.523810,...
$ `Column 7` <dbl> 4.115385, 4.184615, 4.461538, 3.923077, 3.727273, 4.116667, 3.681319,...
$ `Column 8` <dbl> 4.000000, 4.058333, 4.708333, 3.875000, 4.250000, 4.166667, 3.964286,...
$ `Column 9` <dbl> 4.400000, 4.333333, 4.600000, 4.100000, 3.800000, 4.066667, 4.371429,...
$ `Column 10` <dbl> 4.000000, 4.227778, 4.455556, 3.700000, 3.800000, 4.000000, 4.265873,...
$ `Column 11` <dbl> 4.333333, 4.055556, 4.500000, 4.166667, 3.833333, 4.333333, 4.714286,...
$ `Column 12` <dbl> 4.166667, 4.277778, 4.500000, 3.250000, 4.500000, 3.833333, 4.000000,...
$ `Column 13` <dbl> 4.222222, 4.277778, 4.435185, 4.055556, 4.125000, 4.314815, 3.632275,...
$ `Column 14` <dbl> 4.111111, 4.229630, 4.300000, 3.833333, 3.833333, 4.074074, 3.941799,...
$ `Column 15` <dbl> 4.125000, 4.558333, 4.591667, 4.000000, 4.250000, 4.000000, 4.392857,...
$ `Column 16` <dbl> 4.214286, 4.314286, 4.504762, 3.857143, 4.083333, 4.261905, 3.900680,...
$ `Column 17` <dbl> NaN, 1.027778, NaN, 1.171429, 2.071429, 1.527778, 1.111111, 1.277778,...
$ `Topic 1` <dbl> 1, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0
$ `Topic 2` <dbl> 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 1, 1, 0
$ `Topic 3` <dbl> 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1
$ `Topic 4` <dbl> 1, 1, 0, 0, 1, 1, 1, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 0, 0, 1
$ `Topic 5` <dbl> 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1, 0, 1, 1, 1, 1, 0, 1, 1
$ `Topic 6` <dbl> 1, 0, 1, 0, 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0
$ `Topic 7` <dbl> 1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0
$ `Topic 8` <dbl> 1, 1, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 0, 1, 0, 0, 1, 1, 1, 1
第 1 列到第 17 列为行，主题 1 到主题 8 为带有子列 1 和 0 的列，我想要 N，均值（标准），中位数(IQR) 对于主题中的每个组。像下面这样；
我正在为此苦苦挣扎。我曾经在 R 中使用 TableOne 包，但我也不知道如何获取子组。
我能做的最接近的事情是使用 CreateTableOne，但仍然没有给我想要的方式。
df.long <- df %>% pivot_longer(cols= "Topic 1":"Topic 8", names_to="Topics", values_to="state")
tabs <- CreateTableOne(vars = comps, strata = c("Topics", "state"), data = df.long)
print(tabs,nonnormal=T )
我明白了，但不是我要找的。请注意，它按主题和状态进行分层，但没有像我正在寻找的那样将它们放在每个主题中。
Stratified by Topics:state
Topic 1:0 Topic 2:0 Topic 3:0
n 10 13 14
Column 1 (median [IQR]) 4.29 [4.04, 4.55] 4.45 [4.12, 4.75] 4.39 [4.03, 4.73]
Column 2 (median [IQR]) 3.71 [3.43, 4.12] 4.17 [3.58, 4.67] 4.03 [3.60, 4.59]
Column 3 (median [IQR]) 4.17 [3.90, 4.51] 4.32 [4.10, 4.58] 4.29 [4.15, 4.57]
Column 4 (median [IQR]) 4.17 [3.73, 4.42] 4.38 [4.05, 4.44] 4.26 [3.93, 4.42]
Column 5 (median [IQR]) 4.44 [4.31, 4.72] 4.56 [4.44, 4.67] 4.60 [4.24, 4.75]
Column 6 (median [IQR]) 4.21 [4.02, 4.47] 4.36 [4.00, 4.52] 4.33 [4.00, 4.50]
Column 7 (median [IQR]) 4.10 [3.85, 4.46] 4.18 [4.00, 4.62] 4.24 [3.95, 4.58]
Column 8 (median [IQR]) 4.17 [3.99, 4.60] 4.25 [4.00, 4.69] 4.22 [4.04, 4.67]
Column 9 (median [IQR]) 4.20 [3.67, 4.53] 4.40 [4.07, 4.73] 4.37 [4.07, 4.70]
Column 10 (median [IQR]) 4.25 [4.20, 4.45] 4.43 [4.11, 4.79] 4.15 [3.94, 4.75]
Column 11 (median [IQR]) 4.09 [3.82, 4.46] 4.33 [4.06, 4.60] 4.33 [3.97, 4.57]
Column 12 (median [IQR]) 4.39 [4.00, 4.67] 4.36 [4.14, 4.61] 4.43 [4.15, 4.65]
Column 13 (median [IQR]) 4.29 [4.09, 4.41] 4.30 [4.12, 4.69] 4.31 [4.15, 4.63]
Column 14 (median [IQR]) 4.20 [3.86, 4.28] 4.23 [3.98, 4.69] 4.17 [3.87, 4.65]
Column 15 (median [IQR]) 4.63 [4.54, 4.75] 4.59 [4.25, 4.94] 4.47 [4.14, 4.94]
Column 16 (median [IQR]) 4.30 [4.24, 4.46] 4.33 [4.21, 4.71] 4.30 [4.12, 4.69]
Column 17 (median [IQR]) 1.43 [1.09, 1.85] 1.43 [1.13, 1.65] 1.43 [1.20, 1.65]
Stratified by Topics:state
Topic 4:0 Topic 5:0 Topic 6:0
n 11 6 10
Column 1 (median [IQR]) 4.18 [3.82, 4.70] 4.15 [4.03, 4.31] 4.38 [4.19, 4.67]
Column 2 (median [IQR]) 3.67 [3.39, 4.17] 3.56 [3.43, 4.05] 4.13 [3.91, 4.59]
Column 3 (median [IQR]) 4.19 [3.68, 4.56] 4.07 [3.61, 4.26] 4.28 [3.94, 4.48]
Column 4 (median [IQR]) 3.88 [3.54, 4.41] 4.00 [3.39, 4.39] 4.29 [4.06, 4.44]
Column 5 (median [IQR]) 4.44 [4.15, 4.67] 4.39 [4.19, 4.54] 4.34 [4.17, 4.66]
Column 6 (median [IQR]) 4.17 [4.00, 4.54] 4.12 [4.02, 4.31] 4.39 [4.02, 4.52]
Column 7 (median [IQR]) 3.93 [3.78, 4.54] 3.86 [3.71, 4.14] 4.15 [3.95, 4.55]
Column 8 (median [IQR]) 4.17 [3.71, 4.44] 4.15 [3.69, 4.31] 4.11 [3.96, 4.50]
Column 9 (median [IQR]) 4.28 [3.73, 4.67] 3.98 [3.82, 4.27] 4.35 [4.14, 4.69]
Column 10 (median [IQR]) 4.25 [4.00, 4.53] 4.10 [3.96, 4.20] 4.35 [4.06, 4.77]
Column 11 (median [IQR]) 4.17 [3.82, 4.62] 3.86 [3.83, 4.01] 4.42 [4.13, 4.69]
Column 12 (median [IQR]) 4.50 [4.17, 4.67] 4.31 [4.01, 4.46] 4.21 [4.00, 4.55]
Column 13 (median [IQR]) 4.11 [4.02, 4.56] 4.20 [3.90, 4.29] 4.30 [4.08, 4.62]
Column 14 (median [IQR]) 3.83 [3.81, 4.50] 3.91 [3.83, 4.17] 4.21 [3.97, 4.67]
Column 15 (median [IQR]) 4.67 [4.41, 4.84] 4.40 [4.19, 4.70] 4.54 [4.37, 4.94]
Column 16 (median [IQR]) 4.24 [3.86, 4.61] 4.20 [3.67, 4.33] 4.30 [3.99, 4.69]
Column 17 (median [IQR]) 1.40 [1.25, 1.66] 1.53 [1.16, 2.00] 1.32 [1.11, 1.53]
Stratified by Topics:state
Topic 7:0 Topic 8:0 Topic 1:1
n 11 5 10
Column 1 (median [IQR]) 4.17 [3.90, 4.29] 4.12 [4.00, 4.45] 4.29 [3.92, 4.63]
Column 2 (median [IQR]) 3.67 [3.47, 3.87] 3.58 [3.33, 4.67] 4.03 [3.72, 4.30]
Column 3 (median [IQR]) 4.10 [3.68, 4.21] 4.14 [4.00, 4.32] 4.25 [3.73, 4.40]
Column 4 (median [IQR]) 4.05 [3.60, 4.17] 4.25 [3.75, 4.27] 4.18 [3.78, 4.36]
Column 5 (median [IQR]) 4.33 [3.96, 4.44] 4.56 [4.50, 4.65] 4.44 [4.14, 4.66]
Column 6 (median [IQR]) 4.00 [4.00, 4.21] 4.00 [4.00, 4.42] 4.25 [4.00, 4.50]
Column 7 (median [IQR]) 3.93 [3.78, 4.07] 4.00 [3.76, 4.37] 4.02 [3.78, 4.31]
Column 8 (median [IQR]) 3.97 [3.86, 4.17] 4.33 [4.25, 4.60] 4.08 [3.90, 4.23]
Column 9 (median [IQR]) 4.07 [3.78, 4.31] 4.07 [3.80, 4.56] 4.33 [4.07, 4.52]
Column 10 (median [IQR]) 4.19 [4.04, 4.26] 4.25 [4.11, 4.79] 4.00 [3.83, 4.52]
Column 11 (median [IQR]) 4.12 [3.84, 4.33] 3.89 [3.83, 4.60] 4.33 [3.97, 4.69]
Column 12 (median [IQR]) 4.00 [3.90, 4.58] 4.14 [4.00, 4.50] 4.25 [4.03, 4.47]
Column 13 (median [IQR]) 4.08 [4.02, 4.31] 4.30 [4.12, 4.41] 4.17 [4.06, 4.38]
Column 14 (median [IQR]) 3.94 [3.82, 4.13] 3.98 [3.83, 4.50] 4.01 [3.83, 4.40]
Column 15 (median [IQR]) 4.46 [4.26, 4.63] 4.46 [4.25, 4.94] 4.30 [4.03, 4.80]
Column 16 (median [IQR]) 4.24 [3.89, 4.27] 4.33 [4.25, 4.62] 4.15 [3.88, 4.53]
Column 17 (median [IQR]) 1.49 [1.32, 1.78] 1.78 [1.69, 2.06] 1.43 [1.25, 1.57]
Stratified by Topics:state
Topic 2:1 Topic 3:1 Topic 4:1
n 7 6 9
Column 1 (median [IQR]) 4.17 [3.82, 4.26] 4.22 [4.01, 4.33] 4.36 [4.17, 4.45]
Column 2 (median [IQR]) 3.67 [3.47, 3.87] 3.69 [2.99, 3.87] 4.07 [3.84, 4.20]
Column 3 (median [IQR]) 3.71 [3.56, 4.21] 3.78 [3.66, 4.03] 4.26 [4.00, 4.32]
Column 4 (median [IQR]) 3.88 [3.43, 4.08] 3.84 [3.59, 4.24] 4.27 [4.08, 4.38]
Column 5 (median [IQR]) 4.17 [3.96, 4.36] 4.32 [4.28, 4.37] 4.50 [4.30, 4.65]
Column 6 (median [IQR]) 4.08 [4.00, 4.25] 4.07 [4.02, 4.40] 4.33 [4.00, 4.42]
Column 7 (median [IQR]) 3.76 [3.69, 4.03] 3.78 [3.72, 3.96] 4.12 [4.00, 4.18]
Column 8 (median [IQR]) 3.96 [3.70, 4.17] 3.97 [3.68, 4.04] 4.17 [4.00, 4.33]
Column 9 (median [IQR]) 4.07 [3.73, 4.31] 3.78 [3.44, 4.25] 4.33 [4.07, 4.40]
Column 10 (median [IQR]) 4.09 [3.96, 4.22] 4.25 [4.23, 4.26] 4.23 [4.00, 4.43]
Column 11 (median [IQR]) 3.90 [3.82, 4.33] 3.93 [3.53, 4.10] 4.33 [4.06, 4.50]
Column 12 (median [IQR]) 4.00 [3.96, 4.50] 4.00 [4.00, 4.21] 4.14 [4.00, 4.28]
Column 13 (median [IQR]) 3.98 [3.73, 4.20] 4.03 [3.86, 4.10] 4.28 [4.12, 4.31]
Column 14 (median [IQR]) 3.83 [3.81, 4.01] 3.88 [3.71, 4.12] 4.11 [3.98, 4.23]
Column 15 (median [IQR]) 4.39 [4.18, 4.60] 4.54 [4.48, 4.64] 4.39 [4.17, 4.56]
Column 16 (median [IQR]) 3.90 [3.70, 4.24] 4.20 [3.96, 4.27] 4.28 [4.21, 4.33]
Column 17 (median [IQR]) 1.43 [1.29, 1.92] 1.43 [1.18, 1.91] 1.46 [1.11, 1.72]
Stratified by Topics:state
Topic 5:1 Topic 6:1 Topic 7:1
n 14 10 9
Column 1 (median [IQR]) 4.37 [4.01, 4.67] 4.15 [3.97, 4.55] 4.69 [4.36, 4.77]
Column 2 (median [IQR]) 3.94 [3.71, 4.30] 3.47 [3.35, 3.80] 4.35 [4.17, 4.67]
Column 3 (median [IQR]) 4.25 [3.90, 4.51] 4.12 [3.79, 4.37] 4.43 [4.30, 4.58]
Column 4 (median [IQR]) 4.18 [3.92, 4.38] 3.92 [3.59, 4.34] 4.43 [4.27, 4.88]
Column 5 (median [IQR]) 4.44 [4.31, 4.67] 4.47 [4.36, 4.72] 4.67 [4.50, 4.92]
Column 6 (median [IQR]) 4.33 [4.00, 4.52] 4.12 [4.00, 4.33] 4.42 [4.33, 4.56]
Column 7 (median [IQR]) 4.12 [3.93, 4.46] 3.90 [3.74, 4.36] 4.37 [4.12, 4.70]
Column 8 (median [IQR]) 4.17 [3.96, 4.50] 4.17 [3.69, 4.31] 4.25 [4.06, 4.69]
Column 9 (median [IQR]) 4.35 [4.07, 4.59] 3.98 [3.62, 4.38] 4.56 [4.33, 4.75]
Column 10 (median [IQR]) 4.26 [4.05, 4.57] 4.15 [4.02, 4.25] 4.61 [4.00, 4.82]
Column 11 (median [IQR]) 4.33 [4.13, 4.69] 3.86 [3.81, 4.33] 4.50 [4.06, 4.75]
Column 12 (median [IQR]) 4.26 [4.00, 4.65] 4.42 [4.04, 4.62] 4.36 [4.28, 4.61]
Column 13 (median [IQR]) 4.27 [4.08, 4.43] 4.17 [4.01, 4.31] 4.41 [4.22, 4.72]
Column 14 (median [IQR]) 4.15 [3.86, 4.45] 3.91 [3.81, 4.19] 4.50 [4.11, 4.72]
Column 15 (median [IQR]) 4.56 [4.37, 4.89] 4.53 [4.19, 4.73] 4.94 [4.25, 4.94]
Column 16 (median [IQR]) 4.26 [4.16, 4.59] 4.23 [4.10, 4.31] 4.62 [4.21, 4.89]
Column 17 (median [IQR]) 1.43 [1.21, 1.53] 1.78 [1.38, 2.06] 1.28 [1.07, 1.61]
Stratified by Topics:state
Topic 8:1 p test SMD
n 15
Column 1 (median [IQR]) 4.33 [4.06, 4.65] 0.641 nonnorm 0.372
Column 2 (median [IQR]) 3.88 [3.60, 4.18] 0.093 nonnorm 0.512
Column 3 (median [IQR]) 4.23 [3.74, 4.48] 0.291 nonnorm 0.420
Column 4 (median [IQR]) 4.08 [3.75, 4.40] 0.422 nonnorm 0.413
Column 5 (median [IQR]) 4.38 [4.15, 4.67] 0.365 nonnorm 0.418
Column 6 (median [IQR]) 4.33 [4.03, 4.51] 0.904 nonnorm 0.306
Column 7 (median [IQR]) 4.12 [3.86, 4.45] 0.403 nonnorm 0.434
Column 8 (median [IQR]) 4.00 [3.86, 4.18] 0.314 nonnorm 0.439
Column 9 (median [IQR]) 4.33 [4.04, 4.50] 0.283 nonnorm 0.471
Column 10 (median [IQR]) 4.23 [4.00, 4.44] 0.856 nonnorm 0.352
Column 11 (median [IQR]) 4.33 [3.98, 4.50] 0.272 nonnorm 0.434
Column 12 (median [IQR]) 4.33 [4.00, 4.64] 0.943 nonnorm 0.251
Column 13 (median [IQR]) 4.22 [4.07, 4.38] 0.299 nonnorm 0.460
Column 14 (median [IQR]) 4.11 [3.83, 4.26] 0.261 nonnorm 0.456
Column 15 (median [IQR]) 4.56 [4.24, 4.75] 0.936 nonnorm 0.285
Column 16 (median [IQR]) 4.24 [3.89, 4.41] 0.371 nonnorm 0.463
Column 17 (median [IQR]) 1.32 [1.14, 1.51] 0.974 nonnorm 0.327
所以，重申一下，我想要 table 中的几件事。
- 第 1 列：第 8 列作为行
- 主题 1：主题 8 作为专栏
- 每个主题和子主题 N
- 平均（标准）
- 中位数（iqr）
- 对于每个列，我还想要一个统计测试。也许 kruskal-wallis 测试？任何建议将不胜感激。
这将以正确的结构获取信息。 （sub_topic 列只是 wide-form 表示的长格式。）
一旦为每个列和主题指定了 state 值，您就可以执行任何需要的统计测试。
df %>%
pivot_longer(cols= "Column 1":"Column 17",
names_to = "column",
names_pattern = " (\d+)$",
values_to = "state") %>%
pivot_longer(-c(column, state),
names_to = "topic",
names_pattern = " (\d+)$",
values_to = "sub_topic") %>%
group_by(topic, sub_topic, column) %>%
summarise(n = n(),
m = mean(state),
std = sd(state),
median = median(state),
iqr = IQR(state, na.rm = T)) %>%
pivot_longer(-c(column, topic, sub_topic)) %>%
pivot_wider(names_from = topic, names_prefix = "topic_", values_from = value) %>%
arrange(column, sub_topic) %>%
select(column, sub_topic, name, everything())
输出：
# A tibble: 170 x 11
# Groups: sub_topic [2]
column sub_topic name topic_1 topic_2 topic_3 topic_4 topic_5 topic_6 topic_7 topic_8
<chr> <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 0 n 10 13 14 11 6 10 11 5
2 1 0 m 4.30 4.41 4.35 4.22 4.20 4.34 4.10 4.23
3 1 0 std 0.380 0.393 0.424 0.482 0.331 0.388 0.310 0.471
4 1 0 median 4.29 4.45 4.39 4.18 4.15 4.38 4.17 4.12
5 1 0 iqr 0.510 0.625 0.703 0.880 0.281 0.485 0.391 0.448
6 1 1 n 10 7 6 9 14 10 9 15
7 1 1 m 4.26 4.06 4.14 4.36 4.32 4.23 4.51 4.30
8 1 1 std 0.422 0.289 0.280 0.251 0.421 0.407 0.370 0.378
9 1 1 median 4.29 4.17 4.22 4.36 4.37 4.15 4.69 4.33
10 1 1 iqr 0.709 0.441 0.318 0.281 0.660 0.580 0.415 0.592
# … with 160 more rows
步骤：
- 将列转为长
- 将topics/sub-topics转向多头
- 按主题分组->sub_topic->列，执行聚合
- 进一步扩大话题范围
- 排列行列顺序