简介：gtsummary包可实现快速常用论文表

详细参数设置参考官方网址

Gtsummary 官方网站

基线表tbl_summary

1.基线表
baseline_vars <- c("group","a1","a2")  #指定要分析的变量
specific_vars <- c("a2") #指定非正态变量
t1 <- data %>% select(baseline_vars) %>% #选择需要分析的变量
  tbl_summary(by = group, #指定分组变量
              missing="no",  #指定是否显示变量的缺失值个数
              statistic = list(#连续性变量的统计量设定
                all_continuous() ~ "{mean}({sd})", #连续性变量的统计量设定
                specific_vars ~ "{median}({p25},{p75})",
                all_categorical() ~ "{n}({p}%)"),#分类变量的统计量设定
              digits = list(all_continuous() ~ 2,
                            all_categorical()~c(0,2))) %>% #设定分类统计量的小数位数
  add_overall() %>% 
  add_p(test=list(all_continuous()~"t.test", #这里不设置test参数则为默认的秩和检验
                  specific_vars ~"wilcox.test"),
        pvalue_fun = ~ style_pvalue(.x, digits = 3)) %>% 
  modify_fmt_fun(statistic ~label_style_number(digits=2)) %>%  #调整统计量显示数字位数
  modify_header(statistic ~ "**Test Statistic**")  #添加检验统计量
t1


2.结果导出
#结果输出为excel表
t1 %>%  as_hux_xlsx(file = 'table1.xlsx')  
#将结果转为word表
t1 %>%  as_gt() %>% gt::gtsave("table1.docx")
#转换为R数据集以便进一步处理
table1 <- t1 %>% as_tibble() 


3.拓展（自定义函数）
mytest1 <- function(data, variable, ...) {
  shapiro.test(data[[variable]])$p.value
}
add_stat(fns=all_continuous()~mytest1) %>%
modify_header(add_stat_1 = "**shapiro.test p**") #添加正态性检验

#添加另一种输出z值的wilcoxon结果同理
mytest3 <-  function(data, variable,by, ...) {
  wilcox_test(data[[variable]] ~ data[[by]])@statistic@teststatistic
}
mytest4 <-  function(data, variable,by, ...) {
  pvalue(wilcox_test(data[[variable]] ~ data[[by]]))
}

语法简介：

“select”选择需要被分析的变量（包括分组变量）

tbl_summary函数语法

“by=”指定分组变量

“statistic=”指定变量的统计值，“all_continuous() ~”指定连续性变量，“all_categorical()”指定分类变量

“digits =”指定显示的统计量的小数位数，如要分别指定可以用向量的形式

“add_p(test=all_continuous()~”t.test”,pvalue_fun = ~ style_pvalue(.x, digits = 3))”添加p值，指定检验方法和p值的小数位数

add_difference(test=all_continuous() ~”t.test”,estimate=all_continuous()~ label_style_sigfig(digits = 4),pvalue_fun = ~ style_pvalue(.x, digits = 3)) #多增加了差值的置信区间

“add_overall()”指定添加汇总列

“add_stat_label”添加统计量显示标签

“modify_header(statistic ~ “Test Statistic”)”添加检验统计量

add_stat(fns=all_continuous()~mytest1) 增加自定义统计量列

modify_header(add_stat_1 = “**statistic Z**”) 定义add_stat增加列的列名

#定义检验统计量和自定义统计量的小数位数（label_style_pvalue表示p值风格小数）

modify_fmt_fun(statistic ~ ~ style_number(digits=2),add_stat_1 ~ ~ style_number(digits=2),add_stat_2 ~ label_style_pvalue(digits = 2))

“as_hux_xlsx(file = ‘table1.xlsx’)” 结果输出为excel表

注意事项：

add_p函数默认添加的检验方法是非参数检验，如需要t检验p值需要使用“test=all_continuous()~”t.test””

有一些离散型变量如年龄或者分类数较多的变量，默认会识别为分类变量，可以用“type=”来指定其为连续性变量（eg：type=list(a3~”continuous”) ）

默认会将二分类变量单行显示（可用value参数指定要显示的分类），如需修改为两行显示需指定type = list(all_dichotomous() ~ “categorical”)

有时可能出现添加add_overall() 时汇总列出现在两组中间的情况，这时需设定分组变量为factor格式

数据结果展示：

单因素表tbl_continuous

vars <- c("age_class", "ag117", "sch_c3", "zhuado_pub", "mpcaWI_C3", 
          "M_edu", "M_job", "parity_c2", "F_edu", "F_job")
t1 <- data %>% select(vars,"si") %>% #选择需要分析的变量
tbl_continuous(
  variable = si,
  include =c("age_class", "ag117", "sch_c3", "zhuado_pub", "mpcaWI_C3", 
             "M_edu", "M_job", "parity_c2", "F_edu", "F_job"),
  statistic = ~"{mean}({sd})",
  digits = list(all_continuous() ~ 2,
                all_categorical()~c(2,2))) %>% #设定分类统计量的小数位数
  add_p(test=all_categorical()~ "oneway.test",pvalue_fun = ~ style_pvalue(.x, digits = 3)) %>% 
  modify_header(statistic ~ "**Test Statistic**") %>% 
  modify_fmt_fun(statistic ~ label_style_sigfig(digits = 4))
t1 %>% as_hux_xlsx("table1.xlsx")

数据结果展示：

回归表tbl_uvregression和tbl_regression

#单因素回归表
t1 <- data %>%
  # 选择要分析的变量
  select("si","bc07", "ag117", "sch_c3", "zhuado_pub", "mpcaWI_C3", 
         "M_edu", "M_job", "parity_c2", "F_edu", "F_job") %>%
  # 执行单变量回归
  tbl_uvregression(
    method = glm,                     # 使用广义线性模型
    y = si,                     # 指定因变量
    method.args = list(family = gaussian),  # 指定logistic回归
    estimate_fun= ~style_number(.x, digits = 2),
    exponentiate = F,              # 显示OR值而非系数
    hide_n = TRUE  ,  # 隐藏每组的样本量
    pvalue_fun = ~ style_pvalue(.x, digits = 3)
  ) %>%
  modify_column_merge(
    pattern = "{estimate}({conf.low},{conf.high})",  # 合并格式：估计值 (置信区间)
    rows = !is.na(estimate)
  )
#多因素回归表
model <- glm(si ~ bc07+ag117+sch_c3+zhuado_pub+mpcaWI_C3+M_edu+M_job+parity_c2+F_edu+F_job, data =data)
t2 <- tbl_regression(model, estimate_fun=~style_number(.x, digits = 2),pvalue_fun = ~ style_pvalue(.x, digits = 3))%>%
  modify_column_merge(
    pattern = "{estimate}({conf.low},{conf.high})",  # 合并格式：估计值 (置信区间)
    rows = !is.na(estimate)
  )
#合并结果
table4 <- tbl_merge(
  tbls = list(t1, t2),
  tab_spanner = c("**single model**", "**multi model**")
)
table4 %>%  as_gt() %>% gtsave("table4.docx")

数据结果展示：