Seer*Stat乳腺癌数据预测模型-Step1数据清洗和预处理

通过R语言进行数据的清洗

由于刚从Seer上面下载的数据需要进行预处理，不然模型是无法读懂字符串的，也有一些数据的预处理操作也要执行。

进入R官网下载环境

https://www.r-project.org/ 这是官网，进入官网之后，点击download R即可

随意选择一个镜像源进行下载即可，这里我选择的是清华大学的镜像源

这里根据自己的系统来进行下载即可

进去之后下载base 和Rtools
base

Rtools

下载安装程序之后记住安装路径不要出现中文路径就行，要不然会有很大的问题。其中建议Rtools的安装路径不要修改就默认。

下载IDE:Rstudio

https://posit.co/downloads/ 这个是官网
也可以直接从这个官网下载R环境也行。

安装好之后打开即可

因为R包的下载一般都是在外网下载有可能不成功，所以要换成国内的镜像，配置文件就是在你安装的路径下面，etc目录里面插入以下代码

## 设置镜像
local({r <- getOption("repos")
     r["CRAN"] <- "https://mirrors.tuna.tsinghua.edu.cn/CRAN/"
     options(repos=r)}
     )
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/")

## 设置下载方式
options("download.file.method"="libcurl")
options("url.method"="libcurl")

验证是否修改完成，保存之后再次打开通过下面的方式进行验证

一些基本的小命令

1. .libPaths() :查看R包安装的位置
2. installed.packages() :查看已经安装好的包
3. available.packages() :查看可安装的R包
4. library(包名) ：查看某个包是否存在

安装CARN上的包（一些比较常用的包）

update.packages()
if(!require("xlsx")) install.packages("xlsx")
if(!require("tidyr")) install.packages("tidyr")
if(!require("dplyr")) install.packages("dplyr")
if(!require("ggplot2")) install.packages("ggplot2")
if(!require("data.table")) install.packages("data.table")
if(!require("ggrepel")) install.packages("ggrepel")
if(!require("devtools")) install.packages("devtools")
if(!require("BiocManager")) install.packages("BiocManager")

安装Bioconductor上的包

BiocManager::install()

if(!require("DESeq2")) BiocManager::install("DESeq2")
if(!require("clusterProfiler")) BiocManager::install("clusterProfiler")

使用Rstudio对Seer乳腺癌数据进行清洗

前提工作：需要下载foreign,car,stringrs三个R包，如果没有就下载即可。

将下载的数据读入Rstudio中

修改标签名称

colnames(bed)<-c("Pid","Dage","sex","Dyear","grade","ajcc","Psite","laterality","er",
                "pr","cs","Breast","rx","Survival.month","isVital","death.reason")

观察数据得到，最后一列标签全是癌症致死，选择删除此列。

bed<-bed[,-16]

通过将字符串转换成数字。

bed$sex<-ifelse(bed$sex=="Female",1,ifelse(bed$sex=="Male",2,NA))

bed$grade<-recode(bed$grade,"'Well differentiated; Grade I'=1;
       'Moderately differentiated; Grade II'=2; 'Poorly differentiated; Grade III'=3;
       'Undifferentiated; anaplastic; Grade IV'=4;else=NA")#这里是4个分类变量，使用ifelse函数套叠胎麻烦，改用car函数

bed$ajcc<-recode(bed$ajcc,"'I'=1;'II'=2;'III'=3;'IV'=4;else=NA")

bed$Psite<-recode(bed$Psite,"'C50.0-Nipple'=0;'C50.1-Central portion of breast'=1;'C50.2-Upper-inner quadrant of breast'=2;
                 'C50.3-Lower-inner quadrant of breast'=3;'C50.4-Upper-outer quadrant of breast'=4;
                 'C50.5-Lower-outer quadrant of breast'=5;'C50.6-Axillary tail of breast'=6;
                 '7'=7;'C50.8-Overlapping lesion of breast'=8;
                 'C50.9-Breast, NOS'=9;else=NA")

bed$laterality<-recode(bed$laterality,"'Bilateral, single primary'=1;'Left - origin of primary'=2;
                       'Only one side - side unspecified'=3;'Paired site, but no information concerning laterality'=4;
                       'Right - origin of primary'=5;else=NA")

bed$er<-recode(bed$er,"'Borderline'=1;'Negative'=2;'Positive'=3;else=NA")

bed$pr<-recode(bed$pr,"'Borderline'=1;'Negative'=2;'Positive'=3;else=NA")

bed$Breast<-recode(bed$Breast,"'HR-/HER2- (Triple Negative)'=1;
       'HR-/HER2+ (HER2 enriched)'=2;'HR+/HER2- (Luminal A)'=3;
       'HR+/HER2+ (Luminal B)'=4;else=NA")

bed$isVital<-ifelse(bed$isVital=="Alive",1,ifelse(bed$isVital=="Dead",2,NA))

输出为csv文件即可

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