使用lm/glm/t.test/chisq.test等模型或者檢驗完成分析後，結果怎麼提？html
複製粘貼仍是broom一鍵生成？web
載入數據，R包微信
mtcars數據集
#載入內置數據集mtcars
head(mtcars)
mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1
broom-R包
#載入R包
library(broom)
??broom #查看broom包用法
broom主要提供以下三種結果整理函數app
tidy: 返回模型的統計結果的數據框；lessaugment: 返回模型參數並增長預測和殘差等模型結果；機器學習glance: 返回模型的一行重要結果，包含R^二、矯正後的R^2，以及剩餘標準偏差。ide
迴歸模型
函數
線性迴歸
#構建簡單線性迴歸模型
lmfit <- lm(mpg ~ wt, mtcars)
summary(lmfit)
summary(lmfit)$coef
結果如上，只須要將上面的P值，R squared，Adjusted R squared等關心的模型結果，用時間和耐心「精確」的複製粘貼出來就能夠了！
學習
嫌麻煩的小夥伴能夠用broom試一下，其實只一行就行。url
R-broom提取結果
1）tidy函數
library(broom)
#返回模型的統計結果的數據框
tidy(lmfit)
看起來和summary(lmfit)$coef差很少，但仍是有區別的：
coef(summary(lmfit)) 中，terms保存在rawname中；
列名爲Pr(>|t|)而不是p.value；
2）augment()函數
#提取回歸中每一個原始點的擬合值和殘差等信息
augment(lmfit)
返回每一個原始點的參數值以及模型的擬合值，殘差等結果，同時爲避免列名重複，模型結果的列名以.開始。
3） glance()函數
#提取R squared，Adjusted R squared等
glance(lmfit)
對於廣義線性模型（glm） 和非線性模型（nls）一樣適用，可自行嘗試。
生存分析
生信分析經常使用的生存分析，結果是否能夠提取呢？
答案是能夠的，參數上稍微有點區別。
生存分析示例
#library("survminer") #載入R包
library("survival") #載入R包
fit_cox <- coxph(Surv(time, status)~sex, data=lung)
summary(fit_cox)
基礎方法提取
#經過函數來提取關鍵結果
coef(summary(fit_cox))
#提取HR和95%置信區間
exp(coef(fit_cox))
#提取HR的95%置信區間
exp(confint(fit_cox))
broom函數提取
#生存分析，提取的是exp(coef)相關信息，exponentiate = TRUE
tidy(fit_cox,exponentiate = TRUE)
假設檢驗
除模型結果外，broom還能夠用於 t.test, cor.test和wilcox.test檢驗的結果提取。
T檢驗
tt <- t.test(wt ~ am, mtcars)
tidy(tt)
返回統計值，P值，置信區間，檢驗方法等信息；
wilcox.test
wt <- wilcox.test(wt ~ am, mtcars)
tidy(wt)
注：上述返回值只有一行，與 glance函數返回相同的結果，自行嘗試。
chisq.test
chit <- chisq.test(xtabs(Freq ~ Sex + Class, data = as.data.frame(Titanic)))
tidy(chit)
#只有chisq.test檢驗能夠使用augment函數
augment(chit)
參考資料：
http://127.0.0.1:18603/library/broom/doc/broom.html
◆ ◆ ◆ ◆ ◆
【以爲不錯，右下角點個「在看」，期待您的轉發，謝謝！】
本文分享自微信公衆號 - 生信補給站（Bioinfo_R_Python）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。