Cursorでデータハンドリング（横持ちデータ）

colnames(df)

[1] "ID"             "年齢"           "性別"           "既往歴"
[5] "初回来院日"     "治療レジメン"   "死亡日"         "マーカー_day0"
[9] "マーカー_day30" "マーカー_day90"
 

このコードは、colnames(df) を実行して、データフレーム df の列名（変数名）の一覧を取得し、表示します。これにより、データフレームがどのような変数を持っているかを簡単に確認できます。

skim(df)

── Data Summary ────────────────────────
    Values
Name                       df
Number of rows             100
Number of columns          10
_______________________
Column type frequency:
character                6
numeric                  4
________________________
Group variables            None

── Variable type: character ────────────────────────────────────────────────────
skim_variable n_missing complete_rate min max empty n_unique whitespace
1 ID                    0           1     5   5     0      100          0
2 性別                  0           1     2   2     0        2          0
3 既往歴                0           1     2  11     0       16          0
4 初回来院日            0           1    11  11     0       88          0
5 治療レジメン          0           1     5   5     0        3          0
6 死亡日               70           0.3  11  11     0       30          0

── Variable type: numeric ──────────────────────────────────────────────────────
skim_variable  n_missing complete_rate mean   sd   p0  p25  p50   p75 p100
1 年齢                   0             1 57.9 15.3 32   44   56    71    83
2 マーカー_day0          0             1 98.2 18.5 54.4 82.1 98.2 113   136.
3 マーカー_day30         0             1 78.4 19.7 26.6 64.8 78.6  89.4 152.
4 マーカー_day90         0             1 67.3 18.1 21.8 55.3 68.8  77.8 138.
hist
1 ▆▆▇▆▆
2 ▁▇▇▇▃
3 ▂▆▇▂▁
4 ▂▇▇▁▁

このコードは、skimr パッケージの skim() 関数を使用して、データフレーム df の詳細な要約統計量を計算し、表示しています。これにより、データの分布、欠損値の数、各変数の型など、データの概要を素早く把握することができます。

unique(df$治療レジメン)

[1] "レジメンA" "レジメンB" "レジメンC"

このコードは、データフレーム df の 治療レジメン 列に含まれるユニーク（一意な）な値を抽出して表示します。unique() 関数は、指定されたベクトル（ここでは df$治療レジメン 列）から重複を取り除き、ユニークな値のみを返します。これにより、治療レジメン 列にどのような治療レジメンが含まれているかを把握することができます。

ここからは、条件に合うデータを抽出したり、新たな変数を作成したり解析に必要なデータに整えていきます。

列名の変更: rename関数

データに半角括弧()やスラッシュ/が含まれていると解析で扱う際エラーが頻発します。列名に特殊な文字が含まれている場合は、rename()で変数名を変更しましょう。

df_new <- df %>%
    rename(
      id = ID,
      age = 年齢,
      sex = 性別,
      medical_history = 既往歴,
      first_visit_date = 初回来院日,
      treatment_regimen = 治療レジメン,
      death_date = 死亡日,
      marker_day0 = マーカー_day0,
      marker_day30 = マーカー_day30,
      marker_day90 = マーカー_day90
    )

変換前のイメージ:

変換後のイメージ（df_new）:

指定した列のみ名前を変更することも可能です。

rename() 関数では、新しい列名 = 古い列名 の形式で指定します。

ちなみにselect() 関数で列名を選択する時にも、新しい列名 = 古い列名 とするとselectしながら名前を変更することができるので便利です。

データの並び替え: arrange関数

df_new <- df %>%
    　　arrange(年齢)

このコードは、arrange() 関数を使用して、データフレーム df を 年齢 列の値に基づいて昇順に並べ替えています。

df_new <- df %>%
    arrange(desc(年齢))

このコードは、arrange() 関数と desc() 関数を組み合わせて使用し、データフレーム df を年齢列の値に基づいて降順に並べ替えています。

条件に合ったデータを抽出: filter関数

df_new <- df %>%
  　　filter(治療レジメン %in% c("レジメンA", "レジメンB"))

このコードは、filter() 関数を使用して、データフレーム df から特定の条件を満たす行を抽出しています。

filter(治療レジメン %in% c("レジメンA", "レジメンB")): filter() 関数の中で、治療レジメン %in% c("レジメンA", "レジメンB") という条件を指定しています。%in% は、左辺の値が右辺のベクトルに含まれているかどうかを判定する演算子です。ここでは、治療レジメン 列の値が "レジメンA" または "レジメンB" のいずれかに一致するかどうかをチェックしています。

結果として、regimen_ab_patients には、治療レジメン 列の値が "レジメンA" または "レジメンB" である行のみが含まれるようになります。

変換前のイメージ:

変換後のイメージ（df_new）:

列を作成・置換: mutate関数

df_new <- df %>%
  　　mutate(治療レジメン = case_when(
  　　治療レジメン == "レジメンA" ~ "oxaliplatin",
  　　治療レジメン == "レジメンB" ~ "Irinotecan",
  　　治療レジメン == "レジメンC" ~ "Fluorouracil",
  　　TRUE ~ 治療レジメン
  　　))
  

mutate(治療レジメン = ...): mutate() 関数は、データフレームに新しい列を追加したり、既存の列を修正したりするために使用されます。ここでは、既存の 治療レジメン 列を新しい値で上書きしています。

case_when(...): case_when() 関数は、複数の条件に基づいて異なる値を割り当てるための関数です。

• 治療レジメン == "レジメンA" ~ "oxaliplatin": もし 治療レジメン 列の値が "レジメンA" であれば、"oxaliplatin" に置換します。
• 治療レジメン == "レジメンB" ~ "Irinotecan": もし 治療レジメン 列の値が "レジメンB" であれば、"Irinotecan" に置換します。
• 治療レジメン == "レジメンC" ~ "Fluorouracil": もし 治療レジメン 列の値が "レジメンC" であれば、"Fluorouracil" に置換します。
• TRUE ~ 治療レジメン: 上記のいずれの条件にも当てはまらない場合（TRUE は「それ以外の場合」を意味します）、元の 治療レジメン の値をそのまま使用します。

これにより、治療レジメン 列の値が指定されたルールに従って新しい値に置換されます。

変換前のイメージ:

変換後のイメージ（df_new）:

作成した変数が間違ってないか確認しよう

mutateで作成した変数は必ず確認するクセをつけましょう。デフォルトではデータフレームの最終列に作成されてしまうので、確認したい変数を抜き出して別のデータフレームに入れて確認するのが手軽です。

df <- df %>%
  mutate(age_group = ifelse(age < 65, "Under 65", "65 or Older"))

df_subset <- df %>%
  select(age_group, age)

head(df_subset)

変換前のイメージ:

変換後のイメージ（df）:

変換後のdf_subset:

グループごとに集計: summarise関数とgroup_by関数

df %>%
　group_by(治療レジメン) %>%
　summarise(平均年齢 = mean(年齢, na.rm = TRUE))

      治療レジメン 平均年齢
                 
    1 レジメンA        55.1
    2 レジメンB        57.6
    3 レジメンC        60.6
      

このコードは、治療レジメン ごとにグループ化し、各グループの平均年齢を計算しています。

df %>% group_by(治療レジメン): dplyr パッケージの group_by() 関数を使用して、治療レジメン 列の値に基づいてグループ化します。これにより、同じ治療レジメンを持つ行がグループとしてまとめられます。

summarise(平均年齢 = mean(年齢, na.rm = TRUE)): dplyr パッケージの summarise() 関数を使用して、各グループに対して要約統計量を計算します。

平均年齢 = mean(年齢, na.rm = TRUE): 平均年齢 という新しい列を作成し、その値として 年齢 列の平均値を計算します。mean() 関数は平均値を計算します。na.rm = TRUE は、欠損値 (NA) を計算から除外するオプションです。もし na.rm = FALSE （デフォルト）のままでデータに欠損値が含まれていると、結果は NA になります。

結果として、治療レジメンごとの平均年齢が計算され、治療レジメンと平均年齢からなる新しいデータフレームが出力されます。

日付データの操作

日付形式 (YYYY/MM/DDなど) のデータは少し特殊で、CSVファイルをインポートした状態では日付データはただの文字列として扱われている場合があります。

日付データが文字列として扱われていると、日付に基づいた計算やソートができません。Date型に変換することで、日付どおしの引き算で期間を計算したり、日数から月数に変換することができるようになります。

df <- df %>%
  mutate(
    初回来院日 = as.Date(初回来院日, format = "%Y年%m月%d日"),
    死亡日 = as.Date(死亡日, format = "%Y年%m月%d日")
  )

# 生存日数を計算（死亡日がNAの場合はNA）
df <- df %>%
  mutate(生存日数 = as.numeric(死亡日 - 初回来院日))

このコードは2つの操作を行っています。

日付列をDate型に変換:

• as.Date() 関数を使用して初回来院日 列と死亡日 列を日付型（Date型）に変換しています。
• format="%Y年%m月%d日" は、元の文字列が "YYYY年MM月DD日" という形式であることを指定しています。これにより、Rが正しく日付として認識できるようになります。

生存日数を計算:

• 死亡日 - 初回来院日: 日付型の列同士の引き算を行うと、期間（difftimeオブジェクト）が計算されます。
• as.numeric(...): as.numeric() 関数で、期間を数値（日数）に変換しています。もし 死亡日 が NA（欠損値）の場合、計算結果も NA になります。

結果として、df には 初回来院日 と 死亡日 がDate型として格納され、新たに死亡日から初回来院日までの日数を示す生存日数 列が追加されます。

変換前のイメージ:

変換後のイメージ（df）:

欠損値の確認

colSums(is.na(df))
  

    ID           年齢           性別         既往歴     初回来院日 
    0              0              0              0              0
治療レジメン         死亡日  マーカー_day0 マーカー_day30 マーカー_day90
    0             70              0              0              0
    

このコードは、データフレーム df の各列に含まれる欠損値 (NA) の数を列ごとに合計して表示します。

df %>%
  summarise_all(~sum(is.na(.))) %>%
  glimpse()

Rows: 1
Columns: 10
  $ ID              0
  $ 年齢            0
  $ 性別            0
  $ 既往歴          0
  $ 初回来院日      0
  $ 治療レジメン    0
  $ 死亡日          70
  $ マーカー_day0   0
  $ マーカー_day30  0
  $ マーカー_day90  0

健診データ <- read.csv("https://github.com/r-biostat/public/raw/refs/heads/main/sample_data/kenkoushindan.csv")

  df_new <- df %>%
    left_join(健診データ, by = "ID")
  

  df_new <- df %>%
    right_join(健診データ, by = "ID")
  

df_new <- df %>%
    full_join(健診データ, by = "ID")
  

  df_new <- df %>%
    anti_join(健診データ, by = "ID")
  

df_long <- df %>%
    pivot_longer(
      cols = starts_with("マーカー"),
      names_to = "測定時期",
      values_to = "マーカー値"
    ) %>%
    mutate(
      測定時期 = str_replace(測定時期, "マーカー_day", "") %>% as.numeric()
    )

df_wide <- df_long %>%
    pivot_wider(
      names_from = 測定時期,
      values_from = マーカー値,
      names_prefix = "マーカー_day"
    )
  

write.csv(df_long, "縦持ちデータ.csv", fileEncoding = "SJIS", row.names = FALSE)