从seer数据库下载到数据后，部分人会感到无从下手，这是因为数据还没有经过清洗整理，不能变成我们统计软件识别的形式，不能进行分析。今天我们手把手教你使用R语言进行seer数据库清洗，让数据变为我们所用。
首先导入我们需要的R包，需要foreign，car，和stringr，需先下载好。

然后我们把我们下载好的数据导入R，有20多万条，靠手工更改是不可能完成的。

be<-read.csv("E:/r/test/seer4.csv",sep=',',header=TRUE)

查看一下数据的名字和形式还有变量
head(be)
names(be)


感觉太乱了，有些名字很长，全部给它改下名字

colnames(be)<-c("sex","time","rezult","rezult1","status","race","Subtype","nodes","Lymph.Invasion",
                "tumor.size","extension","lymph.nodes","age","ajcc")#数据太长，重新命名

我们重新查看一下数据集，这回清爽多了

我们发现一共有14个变量，其中Lymph.Invasion都是缺失数据，根本不能分析，只能删掉，这就是公共数据库的无奈

be<-be[,-9]#删掉第9列Lymph.Invasion，因为都是缺失的数据

很多数据中变量都是字符串，不符合要求，我们要把它们变成数字

be$sex<-ifelse(be$sex=="Female",1,ifelse(be$sex=="Male",2,NA))#性别转换成1和2，缺失的使用NA表示，其他的相同
be$rezult1 <-ifelse(be$rezult1 =="Alive or dead due to cancer",1,
                    ifelse(be$rezult1 =="Dead (attributable to causes other than this cancer dx)",
                           2,NA))
be$status<-ifelse(be$status=="Alive",0,ifelse(be$status=="Dead",1,NA))
be$race<-ifelse(be$race=="White",1,ifelse(be$race=="Black",2,3))
be$Subtype<-recode(be$Subtype,"'HR-/HER2- (Triple Negative)'=1;
       'HR-/HER2+ (HER2 enriched)'=2;'HR+/HER2- (Luminal A)'=3;
       'HR+/HER2+ (Luminal B)'=4;else=NA")#这里是4个分类变量，使用ifelse函数套叠胎麻烦，改用car函数
be$nodes[be$nodes=="Blank(s)"]=NA#让数据中的Blank(s)变为缺失值，下面同理
be$tumor.size[be$tumor.size=="Blank(s)"]=NA
be$extension[be$extension=="Blank(s)"]=NA
be$lymph.nodes[be$lymph.nodes=="Blank(s)"]=NA
be$age<-str_extract(be$age, "\\d+")#把年龄里面的数字提取出来
be$ajcc[be$ajcc=="Blank(s)"]=NA

OK，转换得差不多了，我们来看一下，rezult没有用，我们不理他，等下删掉，我们需要的是rezult1

Ajcc我们没有转换，因为暂时还不需要用，等我们讲到探索交互效应分析的时候再说它，现在先不理他先，你如果有强迫症的话也可以按我们上面的代码转换它
OK，现在完成了？不还没有，还有一个重要的变量没有生成，就是竞争风险的结局
我们现在来生成它

be$status1<-ifelse(be$status==0,0,ifelse(be$rezult1==1,1,2))

最后数据出来啦

把它输出为1.csv

write.csv(be,file = "1.csv")

最后打开1.csv,整理一下，这就是我们要发表的数据啦

20多万条数据，发个中文核心或者低分SCI还不是轻轻松松，玩一样。
如果想更详细了解数据挖掘过程，请关注我的科研教程
更多精彩文章请关注公众号：零基础说科研