生存分析长格式数据格式设置：新手的数据格式正确性验证

嘿，刚接触生存分析就动手模拟数据，已经超棒啦！先把你提供的模拟数据代码整理出来（注意group向量看起来没写完，我先按现有内容呈现）：

id <- c(rep("1", 10), rep("2", 10), rep("3", 10), rep("4", 10), rep("5", 10))
age <- c((15:24), (35:44), (45:54), (55:64), (40:49))
event <- c(rep("0", 10), 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 2, 2, 2, 2, 2, 2, 2)
group <- c("a", "a", "a", "a", "a", "a", "a", "a", "a", "a", "a", "a", "a", "a", "b", "b", "b", "b", "a", ...) # 此处向量未完成

接下来咱们聊聊生存分析里数据格式的核心要求，再对照你的数据捋捋问题：

一、常规生存分析的基础数据逻辑 #

标准生存分析数据集一般每个个体对应一行记录，核心必须包含三个字段：

• 个体标识（比如你的id）
• 生存时间：这是你目前缺失的关键项！生存分析必须知道每个个体从随访开始到事件发生/删失的时长
• 事件状态（你的event）：通常是二分类，0代表删失（没发生目标事件），1代表事件发生；如果出现2这类多分类，那属于竞争风险模型的范畴，得特殊处理

二、你的数据里需要注意的细节 #

1. 重复记录的合理性：你给的id每个值重复了10次，也就是每个个体有10条记录。如果这是随时间变化的协变量（比如不同随访时间点的指标变化），那这种格式是合理的，但你得补充对应的时间区间变量（比如start和stop时间）；如果只是普通的单时点协变量，那每个个体只需要一行记录，重复记录会直接导致分析错误。
2. 事件状态event的取值：你的event里有0、1、2，如果2代表另一种竞争事件（比如患者既可能发生目标疾病，也可能因其他原因死亡），那要明确每个状态的定义，后续用竞争风险模型（比如cmprsk包）分析；如果是输入失误，那得修正为0/1的二分类。
3. 缺失生存时间：目前代码里完全没体现生存时间变量（比如time），这是生存分析的核心，必须补上！比如可以模拟每个个体的随访时间：

# 示例：随机模拟50条生存时间（对应你现有数据的行数）
time <- sample(1:100, 50, replace = TRUE)

4. group变量未补全：你的group向量长度不够，得补到和id、age、event一致的50个元素，不然运行代码会直接报错。

三、调整后的示例数据（常规单记录格式） #

如果是普通生存分析场景，你可以把数据改成每个个体一行的格式，比如：

# 每个个体一条记录
id <- c("1", "2", "3", "4", "5")
age <- c(20, 40, 50, 60, 45) # 取每个个体年龄的均值或某个时点值
time <- c(80, 60, 40, 30, 50) # 模拟生存时间
event <- c(0, 1, 1, 1, 2) # 0=删失，1=目标事件，2=竞争事件
group <- c("a", "a", "b", "a", "b")

# 整理为数据框
surv_data <- data.frame(id, age, time, event, group)

这样的格式就能直接拿来做分析了，比如用survival包构建生存对象：

library(survival)
# 构建生存对象（如果是二分类event）
surv_obj <- Surv(time = surv_data$time, event = surv_data$event == 1)
# 绘制KM曲线
km_fit <- survfit(surv_obj ~ group, data = surv_data)
plot(km_fit, lty = 1:2, col = c("red", "blue"), xlab = "Time", ylab = "Survival Probability")
legend("bottomleft", legend = c("Group a", "Group b"), lty = 1:2, col = c("red", "blue"))

# 如果是竞争风险场景，用cmprsk包
library(cmprsk)
crr_fit <- crr(ftime = surv_data$time, fstatus = surv_data$event, cov1 = surv_data$group)
summary(crr_fit)

要是你的重复记录是为了处理时依变量，随时告诉我，我再帮你梳理时依数据的格式要求～

内容的提问来源于stack exchange，提问作者T.P.