Mit Listen arbeiten

R für SAS-Anwender:innen

Melinda Higgins, PhD

Research Professor/Senior Biostatistician Emory University

Liste durch Kombinieren anderer Objekte erstellen

# Logischen Skalar erstellen
logic_scalar <- TRUE
logic_scalar

[1] TRUE

wahrer Skalarwert

Liste durch Kombinieren anderer Objekte erstellen

# Zeichenvektor age_charvec erstellen
age_charvec <- c("child", "young", "old")
age_charvec

[1] "child" "young" "old"

wahrer Skalar und Zeichenvektor

Liste durch Kombinieren anderer Objekte erstellen

# Matrix num_matrix erstellen
a <- c(5.0, 3.1, 2.4)
b <- c(4.1, 2.2, 5.4)
num_matrix <- matrix(c(a, b),
                     nrow = 3,
                     ncol = 2)
num_matrix

     [,1] [,2]
[1,]  5.0  4.1
[2,]  3.1  2.2
[3,]  2.4  5.4

wahrer Skalar, Zeichenvektor und Matrix

Liste aus Objekten unterschiedlichen Typs erstellen

# Liste aus Skalar, Vektor, Matrix erstellen
list_logicagemtx <-
  list(logic_scalar, age_charvec, num_matrix)
list_logicagemtx

[[1]]
[1] TRUE

[[2]]
[1] "child" "young" "old"  

[[3]]
     [,1] [,2]
[1,]  5.0  4.1
[2,]  3.1  2.2
[3,]  2.4  5.4

alle Elemente in Liste kombiniert

Benannte Listenelemente

# Elemente der Liste benennen, Namen anzeigen
names(list_logicagemtx) <- c("logicalValue", "ageDescription", "numericMatrix")
names(list_logicagemtx)

[1] "logicalValue"   "ageDescription" "numericMatrix"

# Struktur von list_logicagemtx abrufen
str(list_logicagemtx)

List of 3
 $ logicalValue  : logi TRUE
 $ ageDescription: chr [1:3] "child" "young" "old"
 $ numericMatrix : num [1:3, 1:2] 5 3.1 2.4 4.1 2.2 5.4

Listenelemente per Namen auswählen

# ageDescription mit $ auswählen
list_logicagemtx$ageDescription

[1] "child" "young" "old"

# Klasse des Elements ageDescription prüfen
class(list_logicagemtx$ageDescription)

[1] "character"

# Vektorklasse bestätigen
is.vector(list_logicagemtx$ageDescription)

[1] TRUE

Zeichenvektor aus Liste auswählen

Hmisc-Ausgabe

# Hmisc::describe() für sex und bmi ausführen
davisHmisc <- daviskeep %>%
  select(sex, bmi) %>%
  Hmisc::describe()

# Struktur der Ausgabe von Hmisc::describe()
str(davisHmisc)

List of 2
 $ sex:List of 5
  ..$ descript: chr "sex"
  ..$ units   : NULL
  ..$ format  : NULL
  ..$ counts  : Named num [1:3] 199 0 2
  .. ..- attr(*, "names")= chr [1:3] "n" "missing" "distinct"
  ..$ values  :List of 2
  .. ..$ value    : chr [1:2] "F" "M"
  .. ..$ frequency: num [1:2(1d)] 111 88
  ..- attr(*, "class")= chr "describe"
 $ bmi:List of 6
  ..$ descript: chr "bmi"

... rest of output omitted ...

Hmisc-Ausgabe

# sex-Element der Hmisc-describe-Ausgabe anzeigen
davisHmisc$sex

sex
       n  missing distinct
     199        0        2

Value          F     M
Frequency    111    88
Proportion 0.558 0.442

# Bestätigen, dass die Klasse describe auch eine Liste ist
is.list(davisHmisc$sex)

[1] TRUE

Hmisc-Ausgabe

# Namen der Elemente in davisHmisc$sex ansehen
names(davisHmisc$sex)

[1] "descript" "units" "format" "counts" "values"

# Mit $ erneut counts für sex anzeigen
davisHmisc$sex$counts

  n  missing distinct
199        0        2

Ausgabe der Korrelationstests

# Ausgabe von psych::corr.test() speichern
daviscorr <- daviskeep %>%
  select(bmi, weight, height) %>%
  psych::corr.test()

# Namen der 11 Elemente in der psych::corr-Ausgabe ansehen
names(daviscorr)

 [1]  "r"      "n"      "t"      "p"      "se"     
 [6]  "sef"    "adjust" "sym"    "ci"     "ci.adj"
 [11] "Call"

Ausgabe der Korrelationstests

daviscorr$p

                bmi       weight       height
bmi    0.000000e+00 2.569508e-64 3.628533e-08
weight 8.565028e-65 0.000000e+00 4.017148e-40
height 3.628533e-08 2.008574e-40 0.000000e+00

daviscorr$ci

                lower         r     upper            p
bmi-weght   0.8410885 0.8775201 0.9060257 8.565028e-65
bmi-heght   0.2524241 0.3782344 0.4914688 3.628533e-08
weght-heght 0.7074835 0.7707306 0.8217303 2.008574e-40

Ausgabe der t-Tests

# UNGEPOOLTER t-Test: bmi nach sex
davisunpooled <- t.test(bmi ~ sex,
                        data = daviskeep)
class(davisunpooled)

[1] "htest"

is.list(davisunpooled)

[1] TRUE

names(davispooled)

[1] "statistic"   "parameter"   
[3] "p.value"     "conf.int"    
[5] "estimate"    "null.value"  
[7] "alternative" "method"      
[9] "data.name"

Ausgabe der Chi-Quadrat-Tests

# Tabellenobjekt von bmigt25 nach sex erstellen und ansehen
tablebmisex <- daviskeep %>%
  with(table(bmigt25, sex))
daviscs <- chisq.test(tablebmisex)
class(daviscs)

[1] "htest"

names(daviscs)

[1] "statistic" "parameter" "p.value"   "method"    "data.name" "observed"
[7] "expected"  "residuals" "stdres"

Ausgabe der Listenklasse htest

t-Test-Ausgabe

davisunpooled$statistic
davisunpooled$parameter
davisunpooled$p.value

        t
-7.515792

      df
149.4533

[1] 4.818621e-12

Chi-Quadrat-Testausgabe

daviscs$observed

                 sex
bmigt25             F   M
  1. underwt/norm 107  54
  2. overwt/obese   4  34

daviscs$expected

                 sex
bmigt25                  F        M
  1. underwt/norm 89.80402 71.19598
  2. overwt/obese 21.19598 16.80402

Arbeite mit Listen-Ausgabeobjekten, um deine Abalone-Analyse zu verfeinern.

R für SAS-Anwender:innen