In conjunction with many other tidy tools, the package should be useful for health, behavioral, and social scientists working on quantitative research.
今天学习别人的代码，看到将table1和tidyr一起写出来的代码真的太方便太简洁了。而且看到furniture这个包就是开发出来给医学和社会科学的量性研究者用的，这不正对胃口嘛，于是整理一下furniture包的一些知识，分享给大家。
首先的感觉就是这个包很简洁，包的函数主要就只有8个，但和tidyverse结合起来的效果真的方便，包的名字翻译过来就叫做“家具”，家具就是为了让家庭生活更舒服的嘛，这个包就是为了让health, behavioral, and social scientists的数据分析做起来更舒服的，用起来也确实舒服。接下来就给包中的重要函数做个简单介绍：
table1
table1和之前写过的tableone作用一样，但是比tableone用起来更简单。同时这个函数也是这个包最重要的函数：
Table 1 is the main function in furniture. It is useful in both data exploration and data commu-
nication.With minimal cleaning, the outputted table can be put into an academic, peer reviewed journal manuscript. As such, it is very useful in exploring your data when you have a stratifying variable
比如对于数据集nhanes_2010，我想描述age, marijuana, illicit, rehab这四个变量，就可以写出如下代码：
nhanes_2010 %>% table1(
age, marijuana, illicit, rehab,
na.rm = FALSE)输出如下：
再结合group_by函数或者splitby参数就可以实现变量的分组描述，比如我用asthma变量对样本进行分组后再描述相应变量，代码和对应输出如下：
nhanes_2010 %>% table1(
age, marijuana, illicit,
splitby=~asthma,
na.rm = FALSE)
结合test和type参数可以很方便的报告组间比较的结果，这个结果是包括相应统计量和对应p值的，这一点就比tableone就好用多了，例子见下：
nhanes_2010 %>% table1(
age, marijuana, illicit,
splitby=~asthma,
test = TRUE,
type = "full",
na.rm = FALSE)
并且上面的所有的结果展示的表格都可以结合很多别的参数使用，比如现在展示的例子都是将NA作为变量水平展示出来的，我们可以用na.rm设置为TRUE就可以将NA拿掉；还有我们展示的例子都是分组后算的组内变量的各个水平的占比，我们也可以加上row_wise = TRUE，参数算某个变量的组间构成比例，代码和示例如下：
nhanes_2010 %>%
group_by(asthma) %>%
table1(age, marijuana, illicit, rehab,
output = "text2",
na.rm = F,
test = TRUE,
total = TRUE,row_wise = TRUE,
type = "full")
还有，table1帮助我们做表的时候我们可以方便地改变量名，不需要去动原始数据的那种方便，比如我现在代码中描述了4个变量，这4个变量在数据库中的名字为age, marijuana, illicit, rehab，做表的时候我想改一下，我就可以用“新名字”=旧名字的格式进行改动，例子如下：
nhanes_2010 %>%
group_by(asthma) %>%
table1(
'请'=age, "持续"=marijuana,'关注'= illicit,'codewar'= rehab,
na.rm = FALSE)变量名改动后输出如下：
真的很方便哈，table1函数结合export参数可以将结果输出为csv，“latex”，“markdown”，“pandoc”等文件类型，写论文用起来就是直接粘贴的事，如果你用markdown写就更方便，同学们平时一定用起来。
tableC
tableC可以很方便地输出相关分析的结果表格，比如我要做age, active, vig_active这三个变量的相关，我就可以写出如下代码：
nhanes_2010 %>% tableC(
age, active, vig_active,
na.rm=TRUE)很简单，结果中相关系数和p值就都有了：
上面介绍的两个函数对论文写作帮助是非常大的，还有一个函数叫做tableF可以给到我们变量的频数和累计频数，这个我们一般不太用得到。
washer
washer函数可以帮助我们将多余的变量水平洗脱掉，什么意思呢，比如我们现在的数据中777和999都是表示NA的，这个时候我们用mutate结合if_else或者case_when函数将其变为NA，但其实挺麻烦的，或者考虑replace函数，但是这个函数灵活性也不够，对比起来washer函数还是一个非常好用的工具。
比如，大家先看数据中原来age这变量的频数:
可以看到age为18的有191个人，然后还有19到30岁的，这个时候我突然想将18岁以上的全部归为一个组叫做“>18”，我就可以用washer函数写代码:
nhanes_2010 %>%
mutate(age=washer(age,19:30,value = '>18')) %>% tableF(age)
可以看到结果中除了18之外的所有取值都成了>18，这个就很很方便，当然上面这个例子用ifelse也很方便，如果age是一个分类变量，且这个分类变量取值很多的情况下，这个washer函数才是最方便的选择。
rowmeans
很多时候我们需要按行求变量的和或者均值，这个时候可以用到rowmeans() and rowsums()
示例如下图：
也很方便简洁，同时还有long和wide两个函数可以方便地帮助我们进行数据的长宽转换，其中long函数可以快速实现一个数据集的多组宽转长操作，很方便的，大家摸索一下就可以发现它的好用了。
标签：数据分析,做量,函数,nhanes,age,table1,2010,变量,furniture From： https://www.cnblogs.com/Codewar/p/17173361.html