從seer數據庫下載到數據后，部分人會感到無從下手，這是因為數據還沒有經過清洗整理，不能變成我們統計軟件識別的形式，不能進行分析。今天我們手把手教你使用R語言進行seer數據庫清洗，讓數據變為我們所用。
首先導入我們需要的R包，需要foreign，car，和stringr，需先下載好。

然后我們把我們下載好的數據導入R，有20多萬條，靠手工更改是不可能完成的。

be<-read.csv("E:/r/test/seer4.csv",sep=',',header=TRUE)

查看一下數據的名字和形式還有變量
head(be)
names(be)


感覺太亂了，有些名字很長，全部給它改下名字

colnames(be)<-c("sex","time","rezult","rezult1","status","race","Subtype","nodes","Lymph.Invasion","tumor.size","extension","lymph.nodes","age","ajcc")#數據太長，重新命名

我們重新查看一下數據集，這回清爽多了

我們發現一共有14個變量，其中Lymph.Invasion都是缺失數據，根本不能分析，只能刪掉，這就是公共數據庫的無奈

be<-be[,-9]#刪掉第9列Lymph.Invasion，因為都是缺失的數據

很多數據中變量都是字符串，不符合要求，我們要把它們變成數字

be$sex<-ifelse(be$sex=="Female",1,ifelse(be$sex=="Male",2,NA))#性別轉換成1和2，缺失的使用NA表示，其他的相同 be$rezult1 <-ifelse(be$rezult1 =="Alive or dead due to cancer",1,ifelse(be$rezult1 =="Dead (attributable to causes other than this cancer dx)",2,NA)) be$status<-ifelse(be$status=="Alive",0,ifelse(be$status=="Dead",1,NA)) be$race<-ifelse(be$race=="White",1,ifelse(be$race=="Black",2,3)) be$Subtype<-recode(be$Subtype,"'HR-/HER2- (Triple Negative)'=1;'HR-/HER2+ (HER2 enriched)'=2;'HR+/HER2- (Luminal A)'=3;'HR+/HER2+ (Luminal B)'=4;else=NA")#這里是4個分類變量，使用ifelse函數套疊胎麻煩，改用car函數 be$nodes[be$nodes=="Blank(s)"]=NA#讓數據中的Blank(s)變為缺失值，下面同理 be$tumor.size[be$tumor.size=="Blank(s)"]=NA be$extension[be$extension=="Blank(s)"]=NA be$lymph.nodes[be$lymph.nodes=="Blank(s)"]=NA be$age<-str_extract(be$age, "\\d+")#把年齡里面的數字提取出來 be$ajcc[be$ajcc=="Blank(s)"]=NA

OK，轉換得差不多了，我們來看一下，rezult沒有用，我們不理他，等下刪掉，我們需要的是rezult1

Ajcc我們沒有轉換，因為暫時還不需要用，等我們講到探索交互效應分析的時候再說它，現在先不理他先，你如果有強迫癥的話也可以按我們上面的代碼轉換它
OK，現在完成了？不還沒有，還有一個重要的變量沒有生成，就是競爭風險的結局
我們現在來生成它

be$status1<-ifelse(be$status==0,0,ifelse(be$rezult1==1,1,2))

最后數據出來啦

把它輸出為1.csv

write.csv(be,file = "1.csv")

最后打開1.csv,整理一下，這就是我們要發表的數據啦

20多萬條數據，發個中文核心或者低分SCI還不是輕輕松松，玩一樣。
如果想更詳細了解數據挖掘過程，請關注我的科研教程
更多精彩文章請關注公眾號：零基礎說科研

總結

以上是生活随笔為你收集整理的临床数据库挖掘系列3-手把手教你使用R语言对seer数据库清洗的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。