R语言：将irr包kappa分析的列表结果转为结构化DataFrame

核心思路 #

先给kappa_per_item列表的每个元素匹配对应项目名，再批量提取每个kappa结果的关键字段，最后合并为结构化DataFrame。

步骤1：给列表元素命名（关键前提） #

如果你的kappa_per_item还没有项目标识，先根据项目顺序给列表元素添加名称：

# 假设20个项目名为item1到item20，可替换为实际项目名
names(kappa_per_item) <- paste0("item", 1:20)

步骤2：用tidyverse工具转换（推荐） #

加载tidyverse包，用map_df批量提取信息并自动合并：

library(tidyverse)
library(irr)

# 提取指定字段并生成DataFrame
kappa_df <- map_df(kappa_per_item, function(res) {
  tibble(
    method = res$method,          # kappa方法类型（如Cohen's Kappa）
    subjects = res$subjects,      # 受试者数量
    raters = res$raters,          # 评分者数量
    kappa_value = res$value,      # kappa值
    p_value = res$p.value,        # 显著性p值
    ci_lower = res$conf.int[1],   # 置信区间下限
    ci_upper = res$conf.int[2]    # 置信区间上限
  )
}, .id = "item")  # .id参数自动将列表元素名转为item列

步骤3：Base R替代方案（无需tidyverse） #

如果不想依赖tidyverse，用基础R函数也能实现：

# 逐个提取每个kappa结果的信息
kappa_list <- lapply(kappa_per_item, function(res) {
  data.frame(
    method = res$method,
    subjects = res$subjects,
    raters = res$raters,
    kappa_value = res$value,
    p_value = res$p.value,
    ci_lower = res$conf.int[1],
    ci_upper = res$conf.int[2],
    stringsAsFactors = FALSE
  )
})

# 给每个子数据框添加item列
for (i in seq_along(kappa_list)) {
  kappa_list[[i]]$item <- names(kappa_per_item)[i]
}

# 合并为最终DataFrame
kappa_df_base <- do.call(rbind, kappa_list)

补充说明 #

• 可通过str(kappa_per_item[[1]])查看kappa2结果的所有可用字段，按需调整提取内容；
• 如果项目有自定义名称，将names(kappa_per_item)替换为你的实际项目名向量即可。

内容的提问来源于stack exchange，提问作者user21538383