forked from Ensae2018/nhanesHyp
-
Notifications
You must be signed in to change notification settings - Fork 0
/
Presentation Nhanes.Rmd
1263 lines (1030 loc) · 46.1 KB
/
Presentation Nhanes.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "Modele predicitve Nhanes"
output: html_notebook
---
## Webscrapping
Pour le jeu de donnée que nous avons obtenu, les variables et les facteurs sont désignés à l'aide des codes, rendant la compréhension peu évident. Ainsi nous sommes ammenés à transcodifier toutes ces codes par leur signification. Pour cela, nous avons webscrappé sur le site de nhanes tous les libellés associés aux codes.
```{r,echo=FALSE}
don <- read.csv("F:/nhanesv2/data/var_lib.csv")
don$X <- NULL
print(don[1:15,])
```
La table de correspondance entre les libelles et les codes comporte 2291 enregistrements.
```{r, echo=False}
dim(don)
```
## transcodificatipn
la table correspondance code / signification sont utile ensuite pour mettre le jeu de donnée
## Etude hypertension
```{r, echo=FALSE, message=FALSE, include=FALSE}
############################################################################
# Etude sur la prediction hypertension
############################################################################
library(glmnet)#contrainte
library(randomForest)#Foret
library(gbm)#Boosting
library(e1071)#SVM
library(rpart)#Arbre
library(foreach)#parallel
don <- read.csv("data/nhanes_hyper_mice.csv")
don$X <- NULL
levels(don$Y) <- c(0,1)
XX <- as.matrix(model.matrix(~.,don)[,-ncol(model.matrix(~.,don))])
YY <- as.matrix(model.matrix(~.,don)[,ncol(model.matrix(~.,don))])
bloc <- 4
ind= sample(1:nrow(don) %% 4+1)
res <- data.frame(Y=don$Y, log=0, ridge=0, lasso=0, elastic=0,
foret=0, adabo=0, logibo=0, svm=0, pm=0, arbre=0)
set.seed(1234)
deb <- Sys.time()
foreach (i = 1:bloc, .packages = c("gbm","e1071","glmnet","randomForest", "rpart")) %dopar% {
# logisque
mod <- glm(Y~.,data=don[ind!=i,],family="binomial")
res[ind==i,"log"] <- predict(mod,don[ind==i,],type="response")
XXA <- XX[ind!=i,]
YYA <- YY[ind!=i,]
XXT <- XX[ind==i,]
# ridge
tmp <- cv.glmnet(XXA,YYA,alpha=0,family="binomial")
mod <- glmnet(XXA,YYA,alpha=0,lambda=tmp$lambda.min, family="binomial")
res[ind==i,"ridge"] <- predict(mod,newx=XXT,type="response")
# lass0
tmp <- cv.glmnet(XXA,YYA, alpha=1, family="binomial")
mod <- glmnet(XXA,YYA,alpha=1, lambda =tmp$lambda.1se,family="binomial" )
res[ind==i,"lasso"] <- predict(mod,newx=XXT, type="response")
# elasticnet
tmp <- cv.glmnet(XXA,YYA, alpha=0.5, family="binomial")
mod <- glmnet(XXA,YYA,alpha = 0.5, lambda = tmp$lambda.min, family="binomial")
res[ind==i,"elastic"] <- predict(mod,newx=XXT,type="response")
# foret
mod <- randomForest(Y~., data = don[ind!=i,], ntree=500)
res[ind==i, "foret"] <- predict(mod, don[ind==i,], type="prob")[,2]
# Adaboost
tmp <- gbm(as.numeric(Y)-1~.,data = don[ind!=i,], distribution = "adaboost", interaction.depth = 2,
shrinkage = 0.1,n.trees = 500)
M <- gbm.perf(tmp)[1]
mod <- gbm(as.numeric(Y)-1~.,data = don[ind!=i,], distribution = "adaboost", interaction.depth = 2,
shrinkage = 0.1,n.trees = M)
res[ind==i, "adabo"] <- predict(mod, newdata=don[ind==i,], type = "response", n.trees = M)
# Logiboost
tmp <- gbm(as.numeric(Y)-1~.,data=don[ind!=i,], distribution="bernoulli", interaction.depth = 2,
shrinkage=0.1,n.trees=500)
M <- gbm.perf(tmp)[1]
mod <- gbm(as.numeric(Y)-1~.,data=don[ind!=i,], distribution="bernoulli", interaction.depth = 2,
shrinkage=0.1,n.trees=M)
res[ind==i, "logibo"] <- predict(mod,newdata=don[ind==i,], type= "response", n.trees = M)
# SVM
mod <- svm(Y~.,data=don[ind!=i,], kernel="linear",probability=T)
# tmp <- tune(svm,Y~.,data=don[ind!=i,], kernel="linear",probability=T,ranges =
# list(cost=c(0.1,1,10,100)))
# mod <- tmp$best.model
res[ind==i,"svm"] <- attr(predict(mod,newdata = don[ind==i,],probability = T),"probabilities")[,2]
# arbre
mod <- rpart(Y~., data = don[ind!=i,], method="class")
res[ind==i, "arbre"] <- predict(mod, don[ind==i,], type="prob")[,2]
}
fin <- Sys.time()
fin-deb
############################################
# Perceptron multicouche
############################################
library(keras)
for (i in 1:bloc){
# instanciation du model
pm.keras <- keras_model_sequential()
# architecture
pm.keras %>%
layer_dense(units = 2, input_shape=ncol(XXA), activation = "sigmoid") %>%
layer_dense(units = 1, activation = "sigmoid")
# configuration de l'apprentissage
pm.keras %>% compile(
loss="mean_squared_error",
optimizer="sgd",
metrics="mae"
)
# lancement de l'apprentissage
pm.keras %>% fit(
XXA <- XX[ind!=i,],
YYA <- YY[ind!=i,],
epochs=80,
batch_size=8
)
# proba prediction
res[ind==i,"pm"] <- pm.keras %>% predict(XX[ind==i,])
}
```
### matrice de confusion
```{r}
monerreur <- function(X, Y, seuil=0.5){
table(cut(X, breaks = c(0,seuil,1)), Y)
}
# matrice de confusion
monerreur(res[,2],res[,1])#log
monerreur(res[,3],res[,1])#Ridge
monerreur(res[,4],res[,1])#Lasso
monerreur(res[,5],res[,1])#Elastic
monerreur(res[,6],res[,1])#Foret
monerreur(res[,7],res[,1])#Adabo
monerreur(res[,8],res[,1])#Logibo
monerreur(res[,9],res[,1])#SVM
monerreur(res[,10],res[,1])#perceptron
monerreur(res[,11],res[,1])#arbre
```
### nombre de mal classé
```{r}
monerreurb <- function(X,Y,seuil=0.5){
Xc <- cut(X,breaks=c(0,seuil,1),labels=c(0,1))
sum(as.factor(Y)!=Xc)
}
apply(res[,-1],2,monerreurb,Y=res[,1],seuil=0.5)
```
### AUC
```{r, warning=F}
library(pROC)
auc(res[,1],res[,2])#log
auc(res[,1],res[,3])#Ridge
auc(res[,1],res[,4])#Lasso
auc(res[,1],res[,5])#Elastic
auc(res[,1],res[,6])#Foret
auc(res[,1],res[,7])#Adabo
auc(res[,1],res[,8])#Logibo
auc(res[,1],res[,9])#SVM
auc(res[,1],res[,10])#perceptron
auc(res[,1],res[,11])#arbre
```
### courbe de ROC
```{r}
plot(roc(res[,1],res[,2]))
lines(roc(res[,1],res[,3]), col="red")#log
lines(roc(res[,1],res[,4]), col="blue")#Ridge
lines(roc(res[,1],res[,5]), col="green")#Lasso
lines(roc(res[,1],res[,6]), col="brown")#Elastic
lines(roc(res[,1],res[,7]), col="yellow")#Adabo
lines(roc(res[,1],res[,8]), col="purple")#Logibo
lines(roc(res[,1],res[,9]), col="grey")#SVM
lines(roc(res[,1],res[,9]), col="black")#perceptron
lines(roc(res[,1],res[,9]), col="orange")#arbre
```
## Etude Obesite
```{r}
```{r,echo=F}
#**********************************************************************************************
#Ce programme utilise le dataset nhanes_16012019 avec 8339 individus et 150 variables en entree
#Etude DIABETE pour la prsesentation du 23 janvier 2019
#************************************************************************
#permet de ne pas limiter le nombre des ecritures dans la console lors des executions
options(max.print=1000000)
#declaration des librairies
library(data.table)
library(mice)
library(randomForest)
library(glmnet)
library(pROC)
library(gbm)
library(foreach)
nhanes<-fread("nhanes_16012019.csv")
nhanes[,V1:=NULL,]
dim(nhanes)#8339x150
#Statistiques sur le dataset nhanes 8339x150
#------------------------------------------
#nombre total de data:1 250 850
nrow(nhanes)*ncol(nhanes)
#nombre total de NA:351 779 soit
nhanes[,sum(is.na(.SD)),]
#poids des NA:28%
nhanes[,sum(is.na(.SD)),]/(nrow(nhanes)*ncol(nhanes))*100
#/IDEES
#travailler sur les 18 ans et plus car cette population apporte beaucoup de NA
#faire deux ?tudes: une avec X=alimentation+habitudes de vie+sant? et l'autre avec X=alimentation
#--------------------------------------------------
#ETUDE I- X=X=alimentation+habitudes de vie+sant?
#--------------------------------------------------
#1- On va plus loin dans la s?lection et le traitement des variables
#-------------------------------------------------------------------
#je conserve les individus qui ont un DIQ010_diq renseign?
nhanes1<-nhanes[!(is.na(DIQ010_diq)) & !(DIQ010_diq %in% c("7","9")),,]
dim(nhanes1)#8115x150
#les jeunes de moins de 18 ans g?n?rent la moiti? du nombre total des NA alors que seulement 25 d'entre eux sont diab?tiques
#je d?cide de les ?liminer
nhanes1[RIDAGEYR_demo<18,sum(is.na(.SD)),]
nhanes1[RIDAGEYR_demo>=18,sum(is.na(.SD)),]
nhanes1[RIDAGEYR_demo<18 & DIQ010_diq %in% c("1","3"),.N,]
nhanes1<-nhanes1[RIDAGEYR_demo>=18,,]
dim(nhanes1)#5264x150
#j'enl?ve les 43 individus avec un r?gime low sugar car l'alimentation est modifi?e dans ce cas(DRQSDT4_dr1tot=4)
nhanes1[DRQSDT4_dr1tot=="4",.N,]
nhanes1<-nhanes1[is.na(DRQSDT4_dr1tot),,]
dim(nhanes1)#5221x150
#traitement de la table alq (alcool)
apply(nhanes1[,.(ALQ120Q_alq,ALQ120U_alq,ALQ130_alq),],2,function (x) sum(is.na(x)))
nhanes1[ALQ120U_alq=="1",temp:=52,]
nhanes1[ALQ120U_alq=="2",temp:=12,]
nhanes1[ALQ120U_alq=="3",temp:=1,]
nhanes1[!(is.na(ALQ120Q_alq) | ALQ120Q_alq=="777" | ALQ120Q_alq=="999" | is.na(ALQ130_alq) | ALQ130_alq=="777" | ALQ130_alq=="999"),Var_ALQ:=ALQ120Q_alq*temp*ALQ130_alq,]
nhanes1[,c("temp","ALQ120Q_alq","ALQ120U_alq","ALQ130_alq"):=NULL,]
dim(nhanes1)#5221x148
#traitement de la table demo (d?mographique)
apply(nhanes1[,.(RIDSTATR_demo,RIAGENDR_demo,RIDAGEYR_demo,DMDEDUC3_demo,DMDEDUC2_demo,
DMDMARTL_demo,DMDHHSIZ_demo,
DMDFMSIZ_demo,INDHHIN2_demo,INDFMIN2_demo,INDFMPIR_demo),],2,function (x) sum(is.na(x)))
nhanes1[DMDEDUC2_demo %in% c("1","2","3"),Var_EDUCATION:="secondaire",]
nhanes1[DMDEDUC2_demo %in% c("4","5"),Var_EDUCATION:="superieur",]
nhanes1[is.na(DMDEDUC2_demo) | DMDEDUC2_demo %in% c("7","9"),Var_EDUCATION:=NA,]
nhanes1[,c("DMDEDUC2_demo","DMDEDUC3_demo"):=NULL,]
nhanes1$Var_EDUCATION<-factor(nhanes1$Var_EDUCATION)
dim(nhanes1)#5221x147
#traitement de la table bmx (body measures)
#on a d?j? le BMI quantitatif pour toute la population avec BMXBMI; BMDBMIC ne porte que sur les jeunes
nhanes1[,BMDBMIC_bmx:=NULL,]
dim(nhanes1)#5221x146
#traitement de la table ocq (travail ou recherche d'emploi);je regroupe les 7/9/NA vu leur faible nombre
nhanes1[OCD150_ocq %in% c("1","2"),Var_TRAVAIL:="oui",]
nhanes1[OCD150_ocq %in% c("3", "4","7","9") | is.na(OCD150_ocq),Var_TRAVAIL:="non",]
nhanes1[,c("OCD150_ocq","OCQ180_ocq"):=NULL,]
nhanes1$Var_TRAVAIL<-factor(nhanes1$Var_TRAVAIL)
dim(nhanes1)#5221x145
#traitement de la table duq (drogue)
#seules les personnes de 18 ? 69 ans sont incluses dans le fichier
nhanes1[DUQ200_duq=="1" | DUQ240_duq=="1" | DUQ370_duq=="1",Var_DROGUE:="oui",]
nhanes1[DUQ200_duq=="2" & DUQ240_duq=="2" & DUQ370_duq=="2",Var_DROGUE:="non",]
nhanes1[!(Var_DROGUE=="oui" | Var_DROGUE=="non"),Var_DROGUE:=NA,]
nhanes1[,c("DUQ200_duq","DUQ240_duq","DUQ370_duq"):=NULL,]
nhanes1$Var_DROGUE<-factor(nhanes1$Var_DROGUE)
table(nhanes1$Var_DROGUE,useNA="always")
dim(nhanes1)#5221x143
#traitement de la table dpq (d?pressif)
nhanes1[DPQ020_dpq=="0",Var_DEPRESSION:="non",]
nhanes1[DPQ020_dpq %in% c("1","2","3"),Var_DEPRESSION:="oui",]
nhanes1[DPQ020_dpq %in% c("7","9") | is.na(DPQ020_dpq),Var_DEPRESSION:=NA, ]
nhanes1[,c("DPQ020_dpq"):=NULL,]
nhanes1$Var_DEPRESSION<-factor(nhanes1$Var_DEPRESSION)
table(nhanes1$Var_DEPRESSION,useNA="always")
dim(nhanes1)#5221x143
#traitement du statut marital de la table demo (DMDMARTL_demo)
nhanes1[DMDMARTL_demo %in% c("1","6"),Var_SITUATION:="couple",]
nhanes1[DMDMARTL_demo %in% c("2","3","4","5"),Var_SITUATION:="seul",]
nhanes1[DMDMARTL_demo %in% c("77","99") | is.na(DMDMARTL_demo),Var_SITUATION:=NA,]
nhanes1[,c("DMDMARTL_demo"):=NULL,]
nhanes1$Var_SITUATION<-factor(nhanes1$Var_SITUATION)
dim(nhanes1)#5221x143
#traitement du sexe de la table demo
nhanes1$RIAGENDR_demo<-as.factor(nhanes1$RIAGENDR_demo)
#traitement de la table diq (DIQ160_diq); corr?l?e et mieux vaut rester sur le diab?te pur
nhanes1[,c("DIQ160_diq"):=NULL,]
dim(nhanes1)#5221x142
#la table slq ne posera pas de probl?me quand on aura zoom? sur les majeurs
nhanes1[is.na(SLQ050_slq),.N,]
nhanes1[is.na(SLD012_slq),.N,]
#traitement de la table smq
nhanes1[SMQ040_smq %in% c("1","2"),Var_FUMEUR:="oui",]
nhanes1[SMQ040_smq %in% c("3"),Var_FUMEUR:="non",]
nhanes1[,c("SMQ040_smq"):=NULL,]
nhanes1$Var_FUMEUR<-factor(nhanes1$Var_FUMEUR)
table(nhanes1$Var_FUMEUR,useNA="always")
dim(nhanes1)#5221x142
#traitement de la table smqfam
nhanes1[SMD460_smqfam=="0",Var_COFUMEUR:="non",]
nhanes1[SMD460_smqfam %in% c("1","2","3"),Var_COFUMEUR:="oui",]
nhanes1[,c("SMD460_smqfam"):=NULL,]
nhanes1$Var_COFUMEUR<-factor(nhanes1$Var_COFUMEUR)
table(nhanes1$Var_COFUMEUR,useNA="always")
dim(nhanes1)#5221x142
#Exploration des variables du nombre des personnes qui vivent dans la famille ou le household
nhanes1[DMDHHSIZ_demo!=DMDFMSIZ_demo,.(DMDHHSIZ_demo,DMDFMSIZ_demo),]
nhanes1[DMDFMSIZ_demo>DMDHHSIZ_demo,.N,]
dim(nhanes1)#5221x142
#traitement de la consommation habituelle de sel
nhanes1[DBD100_dr1tot %in% c("7","9") | is.na(DBD100_dr1tot),DBD100_dr1tot:=NA,]
#traitement des tensions art?rielles
#nhanes1[,Var_TENSIONSY:=mean(BPXSY1_bpx,BPXSY2_bpx,BPXSY3_bpx),] ne marche pas
nhanes1[,Var_TENSIONSY:=(BPXSY1_bpx+BPXSY2_bpx+BPXSY3_bpx)/3,]
nhanes1[,Var_TENSIONDI:=(BPXDI1_bpx+BPXDI2_bpx+BPXDI3_bpx)/3,]
nhanes1[,c("BPXSY1_bpx","BPXSY2_bpx","BPXSY3_bpx","BPXSY4_bpx","BPXDI1_bpx","BPXDI2_bpx","BPXDI3_bpx","BPXDI4_bpx"):=NULL,]
dim(nhanes1)#5221x136
#traitement de l'argent destin? ? la consommation
nhanes1[,Var_ARGENTALIM:=(CBD071_cbq+CBD111_cbq+CBD121_cbq+CBD131_cbq),]
nhanes1[,c("CBD071_cbq","CBD111_cbq","CBD121_cbq","CBD131_cbq","CBD091_cbq"):=NULL,]
nhanes1[is.na(Var_ARGENTALIM),.N,]
dim(nhanes1)#5221x132
#traitement de la table OHXREF
nhanes1[OHAREC_ohxref=="1",Var_DENTISTE:="Imm?diatement",]
nhanes1[OHAREC_ohxref=="2",Var_DENTISTE:="Visite sous 2 semaines",]
nhanes1[OHAREC_ohxref=="3",Var_DENTISTE:="Visite sous convenance",]
nhanes1[OHAREC_ohxref=="4",Var_DENTISTE:="Pas de visite prochaine",]
nhanes1[,c("OHAREC_ohxref"):=NULL,]
nhanes1$Var_DENTISTE<-as.factor(nhanes1$Var_DENTISTE)
dim(nhanes1)#5221x132
#traitement de l'assurance
nhanes1[HIQ011_hiq=="1",Var_ASSURE:="oui",]
nhanes1[HIQ011_hiq=="2",Var_ASSURE:="non",]
nhanes1[HIQ011_hiq %in% c("7","9"),Var_ASSURE:=NA,]
nhanes1[,c("HIQ011_hiq"):=NULL,]
nhanes1$Var_ASSURE<-as.factor(nhanes1$Var_ASSURE)
dim(nhanes1)#5221x132
#traitement de statut de propriete ou location
nhanes1[HOQ065_hoq=="1",Var_MAISON:="proprietaire",]
nhanes1[HOQ065_hoq=="2",Var_MAISON:="en location",]
nhanes1[HOQ065_hoq %in% c("7","9"),Var_MAISON:=NA,]
nhanes1[,c("HOQ065_hoq"):=NULL,]
nhanes1$Var_MAISON<-as.factor(nhanes1$Var_MAISON)
dim(nhanes1)#5221x132
#traitement de la table hoq
nhanes1[HOD050_hoq %in% c("777","999"),HOD050_hoq:=NA,]
#mise en facteurs des variables ad hoc
nhanes1[BPQ020_bpq %in% c("7","9"),BPQ020_bpq:=NA,]
nhanes1[BPQ080_bpq %in% c("7","9"),BPQ080_bpq:=NA,]
nhanes1[MCQ080_mcq %in% c("7","9"),MCQ080_mcq:=NA,]
nhanes1[MCQ160A_mcq %in% c("7","9"),MCQ160A_mcq:=NA,]
nhanes1[MCQ160B_mcq %in% c("7","9"),MCQ160B_mcq:=NA,]
nhanes1[MCQ160C_mcq %in% c("7","9"),MCQ160C_mcq:=NA,]
nhanes1[MCQ160D_mcq %in% c("7","9"),MCQ160D_mcq:=NA,]
nhanes1[MCQ160E_mcq %in% c("7","9"),MCQ160E_mcq:=NA,]
nhanes1[MCQ160F_mcq %in% c("7","9"),MCQ160F_mcq:=NA,]
nhanes1[MCQ160G_mcq %in% c("7","9"),MCQ160G_mcq:=NA,]
nhanes1[MCQ160M_mcq %in% c("7","9"),MCQ160M_mcq:=NA,]
nhanes1[MCQ160N_mcq %in% c("7","9"),MCQ160N_mcq:=NA,]
nhanes1[MCQ160A_mcq %in% c("7","9"),MCQ160A_mcq:=NA,]
nhanes1[SLQ050_slq %in% c("7","9"),SLQ050_slq:=NA,]
nhanes1[PAQ605_paq %in% c("7","9"),PAQ605_paq:=NA,]
nhanes1[PAQ620_paq %in% c("7","9"),PAQ620_paq:=NA,]
nhanes1[PAQ635_paq %in% c("7","9"),PAQ635_paq:=NA,]
nhanes1[PAQ650_paq %in% c("7","9"),PAQ650_paq:=NA,]
nhanes1[PAQ665_paq %in% c("7","9"),PAQ665_paq:=NA,]
nhanes1[HEQ010_heq %in% c("7","9"),HEQ010_heq:=NA,]
nhanes1[HEQ030_heq %in% c("7","9"),HEQ030_heq:=NA,]
nhanes1$BPQ020_bpq<-as.factor(nhanes1$BPQ020_bpq)
nhanes1$BPQ080_bpq<-as.factor(nhanes1$BPQ080_bpq)
nhanes1$MCQ080_mcq<-as.factor(nhanes1$MCQ080_mcq)
nhanes1$MCQ160A_mcq<-as.factor(nhanes1$MCQ160A_mcq)
nhanes1$MCQ160B_mcq<-as.factor(nhanes1$MCQ160B_mcq)
nhanes1$MCQ160C_mcq<-as.factor(nhanes1$MCQ160C_mcq)
nhanes1$MCQ160D_mcq<-as.factor(nhanes1$MCQ160D_mcq)
nhanes1$MCQ160E_mcq<-as.factor(nhanes1$MCQ160E_mcq)
nhanes1$MCQ160F_mcq<-as.factor(nhanes1$MCQ160F_mcq)
nhanes1$MCQ160G_mcq<-as.factor(nhanes1$MCQ160G_mcq)
nhanes1$MCQ160M_mcq<-as.factor(nhanes1$MCQ160M_mcq)
nhanes1$MCQ160N_mcq<-as.factor(nhanes1$MCQ160N_mcq)
nhanes1$SLQ050_slq<-as.factor(nhanes1$SLQ050_slq)
nhanes1$PAQ605_paq<-as.factor(nhanes1$PAQ605_paq)
nhanes1$PAQ620_paq<-as.factor(nhanes1$PAQ620_paq)
nhanes1$PAQ635_paq<-as.factor(nhanes1$PAQ635_paq)
nhanes1$PAQ650_paq<-as.factor(nhanes1$PAQ650_paq)
nhanes1$PAQ665_paq<-as.factor(nhanes1$PAQ665_paq)
nhanes1$HEQ010_heq<-as.factor(nhanes1$HEQ010_heq)
nhanes1$HEQ030_heq<-as.factor(nhanes1$HEQ030_heq)
#traitement de suppression de variables
#--------------------------------------
#les 16 variables DR1TOT qui sont mal renseign?es ou ne nous apportent rien pour l'?tude diab?te
#les 2 variables de prise de tension n?4 BPXSY4 et BPXDI4 tr?s mal renseign?es (8042NA) (on se basera sur 3 prises de tensions)
#les 3 variable ecq ne concernent que les enfants de 0 ? 15 ans donc on ne pourra pas traiter un mod?le g?n?ral (adultes+enfants)
#DMDHHSIZ_demo est toujours sup?rieur ou ?gal ? DMDFMSIZ_demo donc je garde DMDHHSIZ_demo
#pour les revenus je garde les revenus du household INDHHIN2_demo par coh?rence; data aussi bien renseign?e que la famille
dput(names(nhanes1))
length(dput(names(nhanes1)))
nhanes1<-nhanes1[,c("SEQN",
# "RIDSTATR_demo",
"RIAGENDR_demo", "RIDAGEYR_demo", "DMDHHSIZ_demo",
# "DMDFMSIZ_demo",
"INDHHIN2_demo",
# "INDFMIN2_demo",
"INDFMPIR_demo","BMXWT_bmx", "BMXHT_bmx", "BMXBMI_bmx",
"BPQ020_bpq", "BPQ080_bpq",
"DIQ010_diq",
# "ECD010_ecq", "ECQ020_ecq", "ECD070B_ecq",
"HEQ010_heq", "HEQ030_heq",
# "HIQ011_hiq",
"HOD050_hoq",
# "HOQ065_hoq",
# "IMQ011_imq", "IMQ020_imq", "MCQ010_mcq",
"MCQ080_mcq", "MCQ160A_mcq", "MCQ160N_mcq", "MCQ160B_mcq", "MCQ160C_mcq",
"MCQ160D_mcq", "MCQ160E_mcq", "MCQ160F_mcq", "MCQ160G_mcq", "MCQ160M_mcq",
# "MCQ160K_mcq", "MCQ160L_mcq", "MCQ220_mcq",
# "MCQ230A_mcq", "MCQ230B_mcq", "MCQ230C_mcq", "MCQ230D_mcq",
# "OHAREC_ohxref",
"PAQ605_paq", "PAQ620_paq", "PAQ635_paq", "PAQ650_paq", "PAQ665_paq", "PAD680_paq",
"SLD012_slq", "SLQ050_slq",
# "SMD030_smq", "SMQ720_smqrtu",
"LBXBPB_pbcd", "LBDBPBSI_pbcd", "LBDBPBLC_pbcd",
"DR1TKCAL_dr1tot",
"DR1TPROT_dr1tot", "DR1TCARB_dr1tot", "DR1TSUGR_dr1tot", "DR1TFIBE_dr1tot",
"DR1TTFAT_dr1tot", "DR1TSFAT_dr1tot", "DR1TMFAT_dr1tot", "DR1TPFAT_dr1tot",
"DR1TCHOL_dr1tot", "DR1TATOC_dr1tot", "DR1TATOA_dr1tot", "DR1TRET_dr1tot",
"DR1TVARA_dr1tot", "DR1TACAR_dr1tot", "DR1TBCAR_dr1tot", "DR1TCRYP_dr1tot",
"DR1TLYCO_dr1tot", "DR1TLZ_dr1tot", "DR1TVB1_dr1tot", "DR1TVB2_dr1tot",
"DR1TNIAC_dr1tot", "DR1TVB6_dr1tot", "DR1TFOLA_dr1tot", "DR1TFA_dr1tot",
"DR1TFF_dr1tot", "DR1TFDFE_dr1tot", "DR1TCHL_dr1tot", "DR1TVB12_dr1tot",
"DR1TB12A_dr1tot", "DR1TVC_dr1tot", "DR1TVD_dr1tot", "DR1TVK_dr1tot",
"DR1TCALC_dr1tot", "DR1TPHOS_dr1tot", "DR1TMAGN_dr1tot", "DR1TIRON_dr1tot",
"DR1TZINC_dr1tot", "DR1TCOPP_dr1tot", "DR1TSODI_dr1tot", "DR1TPOTA_dr1tot",
"DR1TSELE_dr1tot", "DR1TCAFF_dr1tot", "DR1TTHEO_dr1tot", "DR1TALCO_dr1tot",
"DR1TMOIS_dr1tot", "DR1.320Z_dr1tot",
# "DRABF_dr1tot","DRDINT_dr1tot",
"DBD100_dr1tot",
# "DRQSDIET_dr1tot", "DRQSDT1_dr1tot", "DRQSDT2_dr1tot",
# "DRQSDT3_dr1tot", "DRQSDT4_dr1tot", "DRQSDT5_dr1tot", "DRQSDT6_dr1tot",
# "DRQSDT7_dr1tot", "DRQSDT8_dr1tot", "DRQSDT9_dr1tot", "DRQSDT10_dr1tot",
# "DRQSDT11_dr1tot", "DRQSDT12_dr1tot", "DRQSDT91_dr1tot",
"Var_ALQ",
"Var_EDUCATION", "Var_TRAVAIL", "Var_DROGUE", "Var_DEPRESSION",
"Var_SITUATION", "Var_FUMEUR", "Var_COFUMEUR", "Var_TENSIONSY",
"Var_TENSIONDI", "Var_ARGENTALIM","Var_DENTISTE","Var_ASSURE")]
dim(nhanes1)#5221x97
str(nhanes1)
dt<-data.table(var=names(nhanes1),nbna=apply(nhanes1,2,function (x) {sum(is.na(x))}))
dt
nhanes1<-data.frame(nhanes1)
#je ne garde que les variables qui ont moins de 10% de NA et performe le mice dessus
#-----------------------------------------------------------------------------------
dt<-data.table(var=names(nhanes1),nbna=apply(nhanes1,2,function (x) {sum(is.na(x))}))
dt
var_ok<-dt[,nbna<=0.1*nrow(nhanes1)]
var_ok
nhanes1<-nhanes1[,var_ok]
dim(nhanes1)#nhanes3 comporte maintenant 5221 individus et 90 variables
#2- Imputation par mice
#----------------------
imp<-mice(nhanes1,m=1)
nhanes2<-complete(imp)
dim(nhanes2)#5221x90
str(nhanes1)
dt<-data.table(var=names(nhanes2),nbna=apply(nhanes2,2,function (x) {sum(is.na(x))}))
dt[,sum(is.na(.SD)),]
#3- Mod?les
#----------
nhanes3<-nhanes2
nhanes3[,1]<-NULL
dim(nhanes3)#5221x89
str(nhanes3)
nhanes3$RIAGENDR_demo<-factor(nhanes3$RIAGENDR_demo)
#il faut passer le Y en num?rique 0/1 pour le glm
nhanes3[nhanes3$DIQ010_diq =="2",11]<-c("0")
nhanes3[nhanes3$DIQ010_diq %in% c("1","3"),11]<-c("1")
#
#le Y est un chr il faut le passer en num?rique
nhanes3$DIQ010_diq <- as.numeric(nhanes3$DIQ010_diq)
#Regression logistique avec les 89 variables
#-------------------------------------------
reglog<-glm(DIQ010_diq~.,data=nhanes3,family="binomial")
summary(reglog)
#Regression logistique amelioree avec le step
#--------------------------------------------
null=glm(DIQ010_diq~1, data=nhanes3,family=binomial)
null
full=glm(DIQ010_diq~., data=nhanes3,family=binomial)
full
bestmodel=step(null, scope=list(lower=null, upper=full), direction="forward")
summary(bestmodel)
#------
#
bloc<-4
set.seed(1234)
ind <- sample(1:nrow(nhanes3)%%bloc+1)
RES<- data.frame(Y=nhanes3$DIQ010_diq,log=0,foret=0,ridge=0,
lasso=0,elastic=0,adaboost=0,logiboost=0,svm=0)
nhanes4<-nhanes3
nhanes4$DIQ010_diq<-factor(nhanes4$DIQ010_diq)
#XX <- as.matrix(nhanes3[,-ncol(nhanes3)])
XX<-model.matrix(nhanes3$DIQ010_diq~.,data=nhanes3)
LAridge=list()
foreach (i = 1:bloc, .packages = c("gbm","glmnet","randomForest", "rpart")) %dopar% {
XXA <- XX[ind!=i,]
YYA <- as.matrix(nhanes3[ind!=i,"DIQ010_diq"])
#
#logistique
#mod <- glm(DIQ010_diq~.,data=nhanes3[ind!=i,],family="binomial")
RES[ind==i,"log"] <- predict(bestmodel,nhanes3[ind==i,],type="response")
#for?t
mod <- randomForest(DIQ010_diq~.,data=nhanes4[ind!=i,])
RES[ind==i,"foret"] <- predict(mod,nhanes4[ind==i,],type="prob")[,2]
#ridge
tmp <- cv.glmnet(XXA,YYA,alpha=0,family="binomial")
LAridge <- c(LAridge,tmp$lambda.min)
mod <- glmnet(XXA,YYA,alpha=0,lambda=tmp$lambda.min,family="binomial")
RES[ind==i,"ridge"] <- predict(mod,newx=XX[ind==i,],type="response")
#lasso
mod <- cv.glmnet(XXA,YYA,alpha=1)
RES[ind==i,"lasso"] <- predict(mod,newx=XX[ind==i,],lambda=mod$lambda.min)
# #elastic
mod <- cv.glmnet(XXA,YYA,alpha=0.5)
mod <- glmnet(XXA,YYA,alpha=.5,lambda=tmp$lambda.min)
RES[ind==i,"elastic"] <- predict(mod,newx=XX[ind==i,])
# #adaboost
tmp <- gbm(DIQ010_diq~.,data = nhanes3[ind!=i,], distribution = "adaboost", interaction.depth = 2,
shrinkage = 0.1,n.trees = 500)
M <- gbm.perf(tmp)[1]
mod <- gbm(DIQ010_diq~.,data = nhanes3[ind!=i,], distribution = "adaboost", interaction.depth = 2,
shrinkage = 0.1,n.trees = M)
RES[ind==i, "adaboost"] <- predict(mod, newdata=nhanes3[ind==i,], type = "response", n.trees = M)
#logiboost
tmp <- gbm(DIQ010_diq~.,data=nhanes3[ind!=i,], distribution="bernoulli", interaction.depth = 2,
shrinkage=0.1,n.trees=500)
M <- gbm.perf(tmp)[1]
mod <- gbm(DIQ010_diq~.,data=nhanes3[ind!=i,], distribution="bernoulli", interaction.depth = 2,
shrinkage=0.1,n.trees=M)
RES[ind==i, "logiboost"] <- predict(mod,newdata=nhanes3[ind==i,], type= "response", n.trees = M)
}
monerreur <- function(X,Y,seuil){
t<-table(cut(X,breaks=c(0,seuil,1)),as.factor(Y))
df<-data.frame(table(cut(X,breaks=c(0,seuil,1)),as.factor(Y)))
taux_mal_classes<-(df[2,3]+df[3,3])/sum(df$Freq)*100
liste<-list(t,taux_mal_classes)
return(liste)
}
nhanes3<-data.table(nhanes3)
nhanes3[,.N,]
nhanes3[DIQ010_diq=="0",.N,]
nhanes3[DIQ010_diq=="1",.N,]
taux_positifs<-nhanes3[DIQ010_diq=="1",.N,]/nhanes3[,.N,]*100
taux_positifs
taux_negatifs<-nhanes3[DIQ010_diq=="0",.N,]/nhanes3[,.N,]*100
taux_negatifs
#si tout le monde est class? en n?gatif alors on commet une erreur de 4376/5221=16,2%
#si tout le monde est class? en positif alors on commet une erreur de 4376/5221=83,8%
#la logistique am?liore un petit peu le mod?le trivial avec un taux de mal class?s de 14,55 pour le seuil de 0.5
taux_synthese<-data.frame()
for (i in 2:8) {
taux_synthese[1,i-1]<-taux_negatifs
taux_synthese[11,i-1]<-taux_positifs
k<-2
for (j in seq(0.1,0.9,0.1)) {
taux_synthese[k,i-1]<-monerreur(RES[,i],RES[,1],j)[[2]]
k<-k+1
} }
colnames(taux_synthese)<-c("logistique","foret","ridge","lasso","elasticnet","adaboost","logiboost")
rownames(taux_synthese)<-seq(0,1,0.1)
taux_synthese
```
```{r}
#Graphique des taux de mal class?s
#---------------------------------
plot(seq(0,1,0.1),taux_synthese$logistique)
lines(seq(0,1,0.1),taux_synthese$logistique,lty=3,lwd=5)
lines(seq(0,1,0.1),taux_synthese$foret,col="green",lwd=2)
lines(seq(0,1,0.1),taux_synthese$ridge,col="red",lwd=2)
lines(seq(0,1,0.1),taux_synthese$lasso,col="blue",lwd=2)
lines(seq(0,1,0.1),taux_synthese$elasticnet,col="orange",lwd=2)
lines(seq(0,1,0.1),taux_synthese$adaboost,col="brown",lwd=2)
lines(seq(0,1,0.1),taux_synthese$logiboost,col="purple",lwd=2)
legend(0.7, 60, legend=c("log","for?t","ridge","lasso","elastic","adaboost","logiboost"),
col=c("black", "green","red","blue","orange","brown","purple"),lwd=2, cex=1)
#courbes ROC
#-----------
roclog <- roc(RES[,1],RES[,2])
plot(roclog)
rocfor <- roc(RES[,1],RES[,3])
lines(rocfor,col="green")
rocrid<-roc(RES[,1],RES[,4])
lines(rocrid,col="red")
roclas<-roc(RES[,1],RES[,5])
lines(roclas,col="blue")
rocela<-roc(RES[,1],RES[,6])
lines(rocela,col="grey")
rocada<-roc(RES[,1],RES[,7])
lines(rocada,col="brown")
roclogib<-roc(RES[,1],RES[,8])
lines(roclogib,col="purple")
legend(0.2, 0.4, legend=c("log","for?t","ridge","lasso","elastic","adaboost","logiboost"),
col=c("black", "green","red","blue","orange","brown","purple"),lty=1,lwd=1, cex=1)
#aires sous la courbe
#--------------------
auc(RES[,1],RES[,2])
auc(RES[,1],RES[,3])
auc(RES[,1],RES[,4])
auc(RES[,1],RES[,5])
auc(RES[,1],RES[,6])
auc(RES[,1],RES[,7])
auc(RES[,1],RES[,8])
```
```{r}
####################################################################################################################################
## NHANES 2015-2016 Questionnaire Data : BPQ_I
## BPQ080 - Doctor told you - high cholesterol level
##
## {Have you/Has SP} ever been told by a doctor or other health professional that {your/his/her} blood cholesterol level was high?
## Target: Both males and females 16 YEARS - 150 YEARS
## 1 = YES, 0 = NO, 7 refused, 9 don't know, NA 0
####################################################################################################################################
library(data.table)
##############################################################################################################################
##
## CREATION JEUX DE DONNEES POUR PREDIRE LE CHOLESTEROL
##
##############################################################################################################################
##########################################################################################
## ON PART de nhanes_29122018.csv (Jdd d'entr?e travaill? par JV)
##########################################################################################
nhanes <- read.csv("nhanes_16012019.csv", sep = ",") # version 29122018 + 3 variables plomb dans le sang
#nhanes <- read.csv("nhanes_29122018.csv", sep = ",")
class(nhanes)
dim(nhanes)#8339 indiv et 147 variables (+1 X)
colnames(nhanes)
summary(nhanes)
summary(nhanes$BPQ080_bpq) #mon Y cholesterol est d??j?? disponible : 2758 NA
# renommer les 2 variables (oubli?es par JV) avec _dr1tot pour faciliter la transco ? posteriori : DR1TFIBE et DR1TATOC
names(nhanes)[89] <- "DR1TFIBE_dr1tot"
names(nhanes)[95] <- "DR1TATOC_dr1tot"
#########################################################################################
## CRITERE N?1 : garder les individus SEQN avec mon Y Cholesterol sans NA
#########################################################################################
# Creer le vecteur des individus qui n'ont pas repondu ?? la question d'cholesterol
ind_a_enlever <- which(is.na(nhanes$BPQ080_bpq))
# enlever ces individus de la table nhanes
nhanes <- nhanes[-ind_a_enlever,]
dim(nhanes)#5581x148
######################################################################################################
## DIFFERENTS CRITERES METIERS : pour la r?duction des variables et la cr?ation de nouvelles variables
######################################################################################################
# analyse du crit?re Age : bcp des NA pour les jeunes ?
min(nhanes$RIDAGEYR_demo) #L'age commence ? 16 ans pq notre Y BPQ080 est collect?e pour les indiv entre 16 et 150 ans
temp <- subset(nhanes, RIDAGEYR_demo %in% c(16,17) )
apply(temp,2,function (x) {sum(is.na(x))}) #somme des NA par variable
sum(is.na(subset(nhanes, RIDAGEYR_demo %in% c(16,17) ))) #somme totale des NA
options(max.print=1000000) #pour afficher les NA dans le suivant summary
summary(temp)
# Et en plus, les NA entre 16 et 17 ans ne sont pas ?normes => conclusion : pas de filtre selon l'age (idem pour BPQ020) ? diff?rence de diab?tes
# conversion en data.table pour pouvoir int??grer le code de cr?ation et r?duction de variables de JV
nhanes <- as.data.table(nhanes)
# reduction du nombre de level de la variable education
nhanes[DMDEDUC2_demo %in% c("1","2","3"),Var_EDUCATION:="secondaire",]
nhanes[DMDEDUC2_demo %in% c("4","5"),Var_EDUCATION:="superieur",]
nhanes[is.na(DMDEDUC2_demo) | DMDEDUC2_demo %in% c("7","9"),Var_EDUCATION:=NA,]
nhanes[,c("DMDEDUC2_demo"):=NULL,]
dim(nhanes)#5581x148 (1 variable remplac?e par une nouvelle variable)
# reduction du nombre de level de la variable emploi
nhanes[OCD150_ocq %in% c("1","2"),Var_TRAVAIL:="oui",]
nhanes[OCD150_ocq %in% c("3", "4","7","9") | is.na(OCD150_ocq),Var_TRAVAIL:="non",]
nhanes[,c("OCD150_ocq"):=NULL,]
dim(nhanes)#5581x148
# reduction du nombre de variable li??e ?? la drogue
nhanes[DUQ200_duq=="1" | DUQ240_duq=="1" | DUQ370_duq=="1",Var_DROGUE:="oui",]
nhanes[!(DUQ200_duq=="1" | DUQ240_duq=="1" | DUQ370_duq=="1"),Var_DROGUE:="non",]
nhanes[,c("DUQ200_duq","DUQ240_duq","DUQ370_duq"):=NULL,]
dim(nhanes)#5581x146 (3 variables remplac?es par une nouvelle variable)
# reduction du nombre de level de la variable depression
nhanes[DPQ020_dpq=="0",Var_DEPRESSION:="non",]
nhanes[DPQ020_dpq %in% c("1","2","3"),Var_DEPRESSION:="oui",]
nhanes[DPQ020_dpq %in% c("7","9") | is.na(DPQ020_dpq),Var_DEPRESSION:=NA, ]
nhanes[,c("DPQ020_dpq"):=NULL,]
dim(nhanes)#5581x146
# reduction du nombre de level de la variable status marital
nhanes[DMDMARTL_demo %in% c("1","6"),Var_SITUATION:="couple",]
nhanes[DMDMARTL_demo %in% c("2","3","4","5"),Var_SITUATION:="seul",]
nhanes[DMDMARTL_demo %in% c("77","99") | is.na(DMDMARTL_demo),Var_SITUATION:=NA,]
nhanes[,c("DMDMARTL_demo"):=NULL,]
dim(nhanes)#5581x146
# traitement de la table alq (alcool)
apply(nhanes[,.(ALQ120Q_alq,ALQ120U_alq,ALQ130_alq),],2,function (x) sum(is.na(x)))
nhanes[ALQ120U_alq=="1",temp:=52,] #semaines dans l'ann?e
nhanes[ALQ120U_alq=="2",temp:=12,] #mois dans l'ann?e
nhanes[ALQ120U_alq=="3",temp:=1,]
nhanes[!(is.na(ALQ120Q_alq) | ALQ120Q_alq=="777" | ALQ120Q_alq=="999" | is.na(ALQ130_alq) | ALQ130_alq=="777" | ALQ130_alq=="999"),Var_ALQ:=ALQ120Q_alq*temp*ALQ130_alq,]
nhanes[,c("temp","ALQ120Q_alq","ALQ120U_alq","ALQ130_alq"):=NULL,]
dim(nhanes)#5581x144
# REFAIRE avec le code DPLYR d'Insaf !
# analyse de la mesure du Cholesterol : DR1TCHOL
summary(nhanes$DR1TCHOL_dr1tot) #BONNE NOUVELLE : 0 NA!!
# j'enl?ve les individus avec un r?gime low Cholesterol car l'alimentation est modifi?e dans ce cas(DRQSDT2_dr1tot=2)
summary(nhanes$DRQSDT2_dr1tot) #5470 NA => pas grande chose ? supprimer sur les 5581 individus
nhanes[DRQSDT2_dr1tot=="2",.N,] #111 indiv avec cette di?te!!
nhanes<-nhanes[is.na(DRQSDT2_dr1tot),,]
dim(nhanes)#5470x144
# traitement de la table smq
nhanes[SMQ040_smq %in% c("1","2"),Var_FUMEUR:="oui",]
nhanes[SMQ040_smq %in% c("3"),Var_FUMEUR:="non",]
nhanes[,c("SMQ040_smq"):=NULL,]
nhanes$Var_FUMEUR<-factor(nhanes$Var_FUMEUR)
table(nhanes$Var_FUMEUR,useNA="always")
dim(nhanes)#5470x144
# traitement de la table smqfam
nhanes[SMD460_smqfam=="0",Var_COFUMEUR:="non",]
nhanes[SMD460_smqfam %in% c("1","2","3"),Var_COFUMEUR:="oui",]
nhanes[,c("SMD460_smqfam"):=NULL,]
nhanes$Var_COFUMEUR<-factor(nhanes$Var_COFUMEUR)
table(nhanes$Var_COFUMEUR,useNA="always")
dim(nhanes)#5470x144
# exploration des variables du nombre des personnes qui vivent dans la famille ou le household
nhanes[DMDHHSIZ_demo!=DMDFMSIZ_demo,.(DMDHHSIZ_demo,DMDFMSIZ_demo),]
nhanes[DMDFMSIZ_demo>DMDHHSIZ_demo,.N,]
dim(nhanes)#5470x144
#traitement de l'argent destin? ? la consommation
nhanes[,Var_ARGENTALIM:=(CBD071_cbq+CBD111_cbq+CBD121_cbq+CBD131_cbq),]
nhanes[,c("CBD071_cbq","CBD111_cbq","CBD121_cbq","CBD131_cbq","CBD091_cbq"):=NULL,]
nhanes[is.na(Var_ARGENTALIM),.N,]
dim(nhanes)#5470x140
# traitement des tensions art?rielles : pas appliqu?, je garde les 3 variables BPXSY1_bpx+BPXSY2_bpx+BPXSY3_bpx
# traitement de suppression manuelle de variables : pas appliqu?, on attend voir les supressions du 10% NA
##################################################################################################
## DERNIER CRITERE : la suppression des variables X avec un nbr de NA sup?rieur ? 10 %
##################################################################################################
nhanes <- as.data.frame(nhanes)
########
# Choix 2
########
# reperer les variable qui ne depassent pas les 10% de NA's (Yfan l'a appliqu? pour 5%)
# var_na_acceptable <- labels(which(apply(nhanes,2,function (x) sum(is.na(x)))<=floor(dim(nhanes)[1]/10)))
# which(apply(nhanes,2,function (x) sum(is.na(x)))<=floor(dim(nhanes)[1]/10)) #93 variables
# un petit topo des variables que finalement nous allons supprimer
# var_na_pasacceptable <- labels(which(apply(nhanes,2,function (x) sum(is.na(x)))>floor(dim(nhanes)[1]/10)))
# which(apply(nhanes,2,function (x) sum(is.na(x)))>floor(dim(nhanes)[1]/10)) #47 variables
# si on applique 5% seulement INDFMPIR_demo (variable seuil de pauvret? de la famille) est supprim?e en plus
# Choix 2 : VARIABLES SUPPRIMEES :
# DMDEDUC3_demo INDFMPIR_demo
# => education before 19ans et poverty
# BMDBMIC_bmx BPXSY4_bpx BPXDI4_bpx
# DIQ160_diq ECD010_ecq ECQ020_ecq
# ECD070B_ecq MCQ160A_mcq MCQ160N_mcq MCQ160B_mcq MCQ160C_mcq MCQ160D_mcq MCQ160E_mcq MCQ160F_mcq
# MCQ160G_mcq MCQ160M_mcq MCQ160K_mcq MCQ160L_mcq MCQ220_mcq MCQ230A_mcq MCQ230B_mcq MCQ230C_mcq
# MCQ230D_mcq OCQ180_ocq SMD030_smq SMQ720_smqrtu
# => pressure, body, medical conditions and smoking
# DBD100_dr1tot DRQSDT1_dr1tot DRQSDT2_dr1tot DRQSDT3_dr1tot DRQSDT4_dr1tot DRQSDT5_dr1tot DRQSDT6_dr1tot
# DRQSDT7_dr1tot DRQSDT8_dr1tot DRQSDT9_dr1tot DRQSDT10_dr1tot DRQSDT11_dr1tot DRQSDT12_dr1tot DRQSDT91_dr1tot
# => sel et di?tes
# Var_EDUCATION Var_DROGUE Var_DEPRESSION Var_SITUATION Var_ALQ Var_FUMEUR
# => ... Alcool
# Choix 3 : un petit test de pourquoi les variables plomb dans le sang vont ?tre supprim?es
# summary(nhanes$LBXBPB)
# summary(nhanes$LBDBPBSI)
# summary(nhanes$LBDBPBLC) #2864NA pour les 3var
# netoyage de nhanes pour ne garder que les variables moins de 10% de NA's
# dim(nhanes) #5470x140
# nhanes <- nhanes[,var_na_acceptable]
# dim(nhanes) #5470x93
# colnames(nhanes)
# UN PETIT TOPO DES VARIABLES D'INTERET POUR CHOLESTEROL
# Mesure du nutriment Sucre variable disponible dans le Jdd
# DR1TSUGR
# Mesure des Graisses variables disponibles dans le Jdd
# DR1TTFAT
# DR1TSFAT
# DR1TMFAT
# DR1TPFAT
# Mesure du Cholesterol variable disponible dans le Jdd
# DR1TCHOL
# D'autres maladies
# "DIQ010_diq"=> diab?tes
# "HEQ010_heq" => hepatitis B
# "HEQ030_heq" => hepatitis C
# "BPQ020_bpq" => hypertension
# "SLQ050_slq" => trouble sommeil
# Individus sans Di?te Cholesterol variable supprim?e dans le Jdd
# DRQSDT2
# SURPOIDS
# MCQ080
# Mesure du Plomb dans le sang variables supprim?es dans le Jdd initial de 147var (table PBCD) : ajout? dans 150var mais supprim? ? la fin du Jdd Choix 3
# LBXBPB
# LBXBPBSI
# LBXBPBLC
################
# Choix 3
################
dim(nhanes)#5581x143 (140+3var)
# Creer le vecteur des individus
ind_a_enlever <- which(is.na(nhanes$LBXBPB_pbcd))
# enlever ces individus de la table nhanes
nhanes <- nhanes[-ind_a_enlever,]
dim(nhanes)#2606x143
summary(nhanes$LBXBPB)
summary(nhanes$LBDBPBSI)
summary(nhanes$LBDBPBLC) #0NA pour les 3var
# reperer les variable qui ne depassent pas les 10% de NA's
var_na_acceptable <- labels(which(apply(nhanes,2,function (x) sum(is.na(x)))<=floor(dim(nhanes)[1]/10)))
which(apply(nhanes,2,function (x) sum(is.na(x)))<=floor(dim(nhanes)[1]/10))
# un petit topo des variables que finalement nous allons supprimer
var_na_pasacceptable <- labels(which(apply(nhanes,2,function (x) sum(is.na(x)))>floor(dim(nhanes)[1]/10)))
which(apply(nhanes,2,function (x) sum(is.na(x)))>floor(dim(nhanes)[1]/10))
# netoyage de nhanes pour ne garder que les variables moins de 10% de NA's
dim(nhanes) #2606x143
nhanes <- nhanes[,var_na_acceptable]
dim(nhanes) #2606x110
colnames(nhanes)
###################################################################################################
## PRODUIRE LE JDD FINAL qu'on utilisera pour chercher le meilleur mod?le de pr?diction
###################################################################################################
# enlever la champs "X" qui ne sert ?? rien
nhanes$X <- NULL
# renommer la variable d'etude en y -> cholesterol = BPQ080
colnames(nhanes)[grep("BPQ080*",colnames(nhanes))] <- "y"
# deplacer le y en dernier
nhanes <- cbind(subset(nhanes,select=-y),nhanes$y)
# le fichier de sortie
#write.csv(nhanes,"JddChol_Choix2_14012019.csv")
write.csv(nhanes,"JddChol_Choix3_22012019.csv") #avec les variables plomb dans le sang mais seulement 2606indiv
####################################################################################################
## LUI APPLIQUER LA TRANSCODIFICATION D'Yfan
####################################################################################################