R语言生存分析中.标识缺失值的coxph报错与数据清洗咨询

此前逐列筛选非缺失值效果差的本质是：R读取含"."标记的表格时，默认将"."识别为普通字符串，不会自动判定为缺失值，手动匹配非缺失值的操作根本触达不到真实的缺失位置。
正确的批量转换分为两种场景：

• 读入数据阶段直接指定缺失值规则：读取表格时通过参数标记"."为缺失值，代码为read.table("数据集文件路径", na.strings = c(".", ""))
• 已载入内存的数据批量转换：使用dplyr跨列批量替换，将所有值为"."的单元格转为R可识别的NA：

library(dplyr)
df_clean <- df %>% 
  mutate(across(everything(), ~na_if(., ".")))

*操作注意：不要用select逐列筛选非缺失值的方式做清洗，这类操作会直接丢弃存在任意缺失的整列，哪怕列的整体缺失率只有1%也会被删掉，完全达不到保留有效变量的目的。

先逐列统计缺失率，拿到准确的缺失分布后按缺失占比分档处理：

• 先运行代码定位缺失集中的位置：col_missing <- colMeans(is.na(df_clean))，将输出结果从高到低排序即可定位集中在数据集后半段的高缺失列
  • 缺失率＞50%的列：如果是计划纳入模型的协变量，直接剔除即可。这类列的有效样本量不足总量的一半，强行保留会因为有效样本太少、组间对比不足，直接触发系数无穷大、迭代不收敛的报错。
  • 缺失率在10%-50%区间的列：如果是核心研究协变量，不要直接删列也不要随机丢弃样本，通过多重插补（如mice包）完成补值；如果是非核心混杂变量，缺失无明确因果规律，可保留变量并在模型拟合时由coxph自动排除对应缺失样本。
  • 缺失率＜10%的列：直接保留即可，这类列带来的样本损失量极小，不会影响418个样本的整体统计效力。

运行coxph时出现的NA/NaN/Inf报错、迭代不收敛、系数为无穷大的问题，除缺失值外还需排查两类诱因：

• 生存时间time、删失状态event两列不能存在缺失：这两列的有效信息是生存分析的硬性要求，存在缺失的样本必须直接删除，哪怕其他变量信息完整也不能纳入拟合集。
• 全表排查Inf值：如果前期对连续变量做过对数、比值类转换，未处理的0值会生成Inf值，运行any(is.infinite(as.matrix(df_clean)))即可完成排查，将这类Inf值统一转为NA后再做后续处理。
• 拟合coxph时使用默认的na.action = na.omit即可，不需要手动逐行筛选缺失样本，模型会自动将存在任意缺失的样本排除在拟合集外。

完成清洗后不需要追求100%无缺失，只要满足以下两个条件即可开展正式分析：

• 最终纳入模型的样本满足EPV原则：即每一个纳入模型的协变量，对应至少10-15个终点事件样本。418个样本的规模只要不一次性纳入十余个协变量，基本都能满足该要求。
• 不存在分类变量某一水平仅对应2-3个样本的情况：这类极低占比的水平会直接导致回归系数估算无穷大、迭代不收敛，遇到这类情况要么合并相近的分类水平，要么直接剔除对应变量。

内容的提问来源于stack exchange，提问作者Chesso