4. 表型数据分析（代码优化中）

在临床微生物数据分析中，样本表型数据主要涵盖了患者个人信息、检验结果和诊断结果等等。然而受限于患者的病情情况和信息记录的难度，在大型临床回顾性研究种研究者往往很难快速对这些复杂数据进行汇总统计。而且，由于表型数据中很多特征与微生物存在的着密切的关联，因此除了考虑疾病分型外，研究者也需要对这些表型数据进行聚类分组，例如饮食数据。因此，本章节提供了meta_summary模块和meta_regroup模块用于辅助临床研究者进行快速的表型数据统计和样本的重分组。

4.1 meta_summary模块

meta_summary模块可以对统计表型数据的进行基本的统计分析、缺失值可视化、三线表绘制。

4.1.1参数介绍

data

样本表型数据，格式需要符合3.2格式要求。
estimate_group

设定三线表绘制时的主要分组。
missing_plot

设定是否显示缺失值评估图。
cex.axis

设定meta_summary模块中字体显示的大小。【默认：0.5】
keep_col

设定不纳入统计的列，主要用于指定样本名称。【默认：SampleID】
width

输出缺失值图形的宽度。
height

输出缺失值图形的高度。

4.1.2 基本用法

代码示例：

library(EasyMicroPlot)
# 加载表型数据，格式需要满足格式需要符合3.2格式要求
data(EMP)
meta_data <- EMP$meta # 这里是内置的示例数据，用户可以读取自己的数据
# 进行计算
meta_re <- meta_summary(data = meta_data,estimate_group = 'MetS',keep_col = 'SampleID')
meta_re$summary_info # 表型数据的基本统计信息
meta_re$missing_plot # 表型数据的缺失值信息
meta$summary_table # 表型数据三线表

基本计算结果：

# 这里仅选择前六列作为展示
meta_re$summary_info[,1:6]

     Aginomoto        Animal_oil        Plant_oil         Salt           Sauce          Soy_sauce     
 Min.   :  0.00   Min.   :   0.00   Min.   :   0   Min.   :  0.0   Min.   :  0.00   Min.   :   0.0  
 1st Qu.:  0.00   1st Qu.:   0.00   1st Qu.: 680   1st Qu.: 67.0   1st Qu.:  0.00   1st Qu.:  83.0  
 Median :  0.00   Median :   0.00   Median :1000   Median :100.0   Median :  0.00   Median : 150.0  
 Mean   : 18.89   Mean   :  24.92   Mean   :1209   Mean   :115.2   Mean   : 25.42   Mean   : 217.5  
 3rd Qu.: 25.00   3rd Qu.:   0.00   3rd Qu.:1500   3rd Qu.:133.0   3rd Qu.: 25.00   3rd Qu.: 250.0  
 Max.   :200.00   Max.   :1250.00   Max.   :5333   Max.   :400.0   Max.   :500.00   Max.   :6667.0  
 NA's   :17       NA's   :14        NA's   :23     NA's   :28      NA's   :11       NA's   :21

# 缺失值基本统计
meta_re$missing_plot

 Missings in variables:
    Variable Count
   Aginomoto    17
  Animal_oil    14
   Plant_oil    23
        Salt    28
       Sauce    11
   Soy_sauce    21
       Sugar    20
    Diarrhea     4
  Astriction     4
 Antibiotics     6
  Synbiotics     7

图形结果展示：

Tips1：注意在meta_summary模块缺失值图形显示中，容易出现特征名字显示不全的情况。引起这种情况的原因有两种：1、Rstudio显示窗口图形显示较小，导致部分名字显示不全，可以将调整widh和height参数将图形输出或者手动调整Rstudio显示窗口。2、特征名字过长也容易导致显示不全，可以手动缩短特征名字，或者调整在【0-1】范围内适度调整cex.axis大小，以显示全部名字。

# 缺失值展示
meta_re <- meta_summary(data = meta_data,estimate_group = 'MetS',
                        keep_col = 'SampleID',width = 10,height = 10)

# 三线表
meta_re$summary_table

4.2 meta_regroup模块

4.2.1参数介绍

data

样本表型数据，格式需要符合3.2格式要求。
new_col_id

重分组后的新名称。
col_str

等级变量的列名称。
col_num

连续变量的列名称。
keep_col

设定不纳入统计的列，主要用于指定样本名称。【默认：SampleID】
regroup

重新命名新分组。
clust_min

最小评估分组。
clust_max

最大评估分组。
clust_method

设定分组聚类方法。（ward.D, ward.D2,single,complete,average,mcquitty,median,centroid,kmeans）【默认：kmeans】
clust_dis

设定聚类距离计算方法。（euclidean,maximum,manhattan,canberra,binary,minkowski）【默认：euclidean】
silent

设定计算中是否显示输出信息。【默认:False】

4.2.2 基本用法

代码示例：

Tips2：本次示例采用了广东省微生物计划的深圳南山区部分代谢综合征、饮食和排便情况数据。meta_regroup函数将首先根据Nbclust包的26种指标对饮食情况的连续变量数据进行投票判断，再结合代谢综合征的情况，重新分组394名受试者数据。

# 示例采用了EMP内置的数据，用户可选择自己的数据
library(EasyMicroPlot) # 加载包
data(EMP)
# 数据清洗
meta_data <- EMP$meta
meta_data <- na.omit(meta_data)
meta_data <- meta_data[meta_data$Diarrhea=='n'& meta_data$Astriction=='n'& meta_data$Antibiotics=='n'&            meta_data$Synbiotics=='n',]
# 最终meta_data数据包含一个MetS的等级变量数据和一系列连续变量数据
col_str <- 'MetS'
col_num <- colnames(meta_data)[!colnames(meta_data) %in% c('SampleID','MetS','Diarrhea','Astriction','Antibiotics','Synbiotics')]
col_num
# 进行分组评估
meta_regroup <- meta_regroup(data = meta_data,new_col_id = 'Group',col_str = col_str,
                   col_num = col_num,keep_col = 'SampleID',regroup = T,clust_min = 2,clust_max = 9)
meta_regroup$regroup_info # 等级变量和连续变量重分组具体情况
meta_regroup$regroup_data # 根据等级变量和连续变量充分组的结果

基本统计结果：

# 重分组结果信息
meta_regroup <- meta_regroup(data = meta_data,new_col_id = 'Group',col_str = col_str,clust_method = kmeans,
                   col_num = col_num,keep_col = 'SampleID',regroup = T,clust_min = 2,clust_max = 9)

*********************************************************************** 
*** : The best number of clusters for Continuous variable data is  2 

*** : The best number of clusters for Categorical variable data is  2 


                   ***** Conclusion *****                            

***:  According to the majority rule, the best number of clusters is  4 


***********************************************************************

# 重分组中连续变量和等级变量的分组情况
meta_regroup$regroup_info

$data_num_clust_best
[1] "2"

$data_str_clust_best
[1] 2

$data_clust_best
[1] 4

# 重分组后样本，这里仅展示前10行
re$regroup_data[1:10,]

Tips2：Group列为直接将原有组名进行拼接后得到的新组名，regroup列为根据Group重新设置的新组名。

      SampleID    Group   regroup
1540 G440305004 Control_1 Group_C
1541 G440305006 Control_2 Group_D
1542 G440305007   Cases_2 Group_B
1544 G440305009 Control_1 Group_C
1545 G440305010 Control_2 Group_D
1546 G440305011 Control_2 Group_D
1548 G440305013 Control_1 Group_C
1553 G440305018 Control_2 Group_D
1555 G440305020 Control_2 Group_D
1556 G440305021 Control_2 Group_D