如何在RStudio中合并三表并分析问卷问题对甲状腺功能的预测性？

第一步：准备工作 #

• 打开RStudio，把你的三个CSV文件（甲状腺功能检测数据、起始问卷、结束问卷）放在同一个文件夹里，设置这个文件夹为工作目录：

  setwd("你的文件夹路径") # 示例：setwd("D:/ThyroidStudy/Data")
  

• 安装并加载必备工具包：

  install.packages(c("tidyverse", "caret")) # tidyverse处理数据，caret做预测建模
  library(tidyverse)
  library(caret)
  

第二步：导入并检查数据 #

• 分别读取三个CSV文件（替换成你实际的文件名）：

  thyroid_data <- read.csv("thyroid_test_results.csv")
  baseline_survey <- read.csv("baseline_questionnaire.csv")
  followup_survey <- read.csv("followup_questionnaire.csv")
  

• 确认每个数据集里都有唯一的受试者ID（比如subject_id），这是合并数据的关键：

  str(thyroid_data)
  str(baseline_survey)
  str(followup_survey)
  

第三步：合并所有数据 #

• 先合并两份问卷，给基线和随访的问题加前缀区分，再和甲状腺功能数据合并：

  # 合并问卷，用subject_id匹配，后缀区分基线/随访
  merged_surveys <- baseline_survey %>%
    left_join(followup_survey, by = "subject_id", suffix = c("_baseline", "_followup"))
  
  # 合并问卷和甲状腺数据
  full_dataset <- merged_surveys %>%
    left_join(thyroid_data, by = "subject_id")
  

• 检查有没有匹配失败的受试者：

  # 替换成你实际的甲状腺指标列名，比如TSH
  sum(is.na(full_dataset$TSH)) # 数字代表没匹配到甲状腺数据的人数
  

第四步：数据清洗（新手必做） #

• 处理缺失值，避免后续分析出错：

  # 删除全为空的行
  clean_data <- full_dataset %>% drop_na(where(~all(is.na(.))))
  
  # 数值型问卷问题用中位数填充缺失值，分类问题用众数（这里示例数值型）
  num_columns <- clean_data %>% select(where(is.numeric)) %>% colnames()
  clean_data <- clean_data %>%
    mutate(across(all_of(num_columns), ~ifelse(is.na(.), median(., na.rm = TRUE), .)))
  

• 把分类变量（比如性别、问卷选项）转成因子格式：

  clean_data <- clean_data %>%
    mutate(across(where(is.character), as.factor))
  

第五步：分析问卷的预测性 #

方法1：简单相关性分析（快速找关联） #

• 计算每个问卷问题和甲状腺指标的相关性：

  # 假设问卷问题列名以q_开头，替换成你的实际前缀；TSH换成你的甲状腺指标
  correlation_df <- clean_data %>% select(starts_with("q_"), TSH)
  
  # 计算皮尔逊相关系数，按相关性排序
  corr_matrix <- cor(correlation_df, use = "complete.obs")
  corr_matrix[,"TSH"] %>% sort(decreasing = TRUE)
  

  数值越接近1或-1，说明这个问题和甲状腺功能的关联越强。

方法2：机器学习模型（精准筛选预测因子） #

• 用随机森林模型找出重要的问卷问题：

  # 5折交叉验证控制训练过程
  train_ctrl <- trainControl(method = "cv", number = 5)
  
  # 训练模型，预测甲状腺指标（替换TSH为你的指标）
  rf_model <- train(TSH ~ ., 
                    data = clean_data %>% select(starts_with("q_"), TSH),
                    method = "rf",
                    trControl = train_ctrl,
                    importance = TRUE)
  
  # 查看哪些问卷问题预测性最强
  varImp(rf_model)
  

新手注意点 #

• 确保所有数据集里的受试者ID完全一致，别出现拼写错误、大小写不一致的情况
• 如果甲状腺功能是分类结果（比如正常/异常），把模型里的连续变量换成分类变量，方法选glm或rf都可以
• 先从相关性分析入手，搞懂数据关联后再尝试机器学习模型

内容的提问来源于stack exchange，提问作者Paul Davies