Når data er klargjort, skal udforskning og beskrivelse udføres med stor omhu. Kendskab til datas natur er fundamentalt for et godt slutresultat. Analytikeren skal have godt kendskab til variablernes natur, fordelinger, missingness (manglende data), korrelationer og så videre. For at udforske data kræves både funktioner i base R og funktioner i andre pakker. Disse pakker er afgørende for en adækvat og effektiv udforskning og beskrivelse. Vi vil ikke bruge klassiske øvelsesdata (f.eks. gapminder eller mpg), fordi de mangler flere vigtige variabeltyper (eksempelvis overlevelsesdata, datovariabler osv.). Vi vil i stedet bruge data fra et klinisk studie kaldet Right Heart Catetherization (RHC), som kan downloades med koden nedenfor.
Vi begynder med at downloade RHC til harddisken (computeren) og sorterer derefter variablerne i alfabetisk rækkefølge. Sorteringen er uden betydning og foretages kun, for at variablerne skal have samme rækkefølge i vores data frame som i Tabel 1, hvor variablerne forklares. Heldigvis behøver du ikke at kende nogen detaljer om variablerne i RHC, men det kan være rart at bruge et minut på variabellisten for at få en fornemmelse af, hvilke data vi arbejder med.
## Importér data
rhc <- read.csv("https://hbiostat.org/data/repo/rhc.csv", header = TRUE)
## Sortér kolonnerne alfabetisk
rhc <- select(rhc, sort(names(rhc)))
## Inspicér 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 |
Uddrag af RHC-data. Variabelforklaringen følger i Tabel 1.
Tabel 1. Forklaringer på variablerne 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 |
Forklaring på variablerne i RHC.
I de kommende kapitler gennemgås forskellige typer af udforskning og beskrivelse.