library(tidyverse)# for data manipulationlibrary(pkgsearch)  # for searching packages

找与ROC相关的包该包会提供一系列关于感兴趣主题的R包，包括他们的评分，作者，连接等等ps函数等价于pkg_search

size:定义返回结果数量

format="short"返回格式Sys.setlocale('LC_ALL','C')

rocPkg

head(rocPkg)

class(rocPkg)

[1] "C"

- "ROC" ------------------------------------- 74 packages in 0.01 seconds -

#     package     version

1  100 pROC        1.15.0

2   44 caTools     1.17.1.2

3   18 survivalROC 1.0.3

4   18 PRROC       1.3.1

5   15 plotROC     2.2.1

6   14 precrec     0.10.1

by                                                                       @

Xavier Robin                                                            2M

ORPHANED                                                                4M

Paramita Saha-Chaudhuri7y

Jan Grau                                                                1y

Michael C. Sachs                                                        1y

Takaya Saito                                                            3M

[1] "pkg_search_result" "tbl_df"            "tbl"

[4] "data.frame"

ROCR包performance函数计算tpr,fprlibrary(ROCR)

data(ROCR.simple)

df

head(df)

##   predictions labels

## 1   0.6125478      1

## 2   0.3642710      1

## 3   0.4321361      0

## 4   0.1402911      0

## 5   0.3848959      0

## 6   0.2444155      1

pred

perf

perf

plot(perf,colorize=TRUE)image.png

plotROC包-ggplot绘制ROC曲线ROC曲线用于评估连续测量的精度，以预测二进制结果。在医学上，ROC曲线用于评价放射学和一般诊断的诊断试验有着悠久的历史。ROC曲线在信号检测理论中也有很长的应用历史。require(plotROC)

提供网页版操作，为了代码的连贯性，这里不介绍网页版，不可能我们分析到一般导出数据，拿到网页版去操作。基本用法set.seed(2529)

D.ex

M1

M2

test

M1 = M1, M2 = M2, stringsAsFactors = FALSE)

head(test)

##   D   D.str         M1          M2

## 1 1     Ill 1.48117155 -2.50636605

## 2 1     Ill 0.61994478  1.46861033

## 3 0 Healthy 0.57613345  0.07532573

## 4 1     Ill 0.85433197  2.41997703

## 5 0 Healthy 0.05258342  0.01863718

## 6 1     Ill 0.66703989  0.24732453geom_roc绘图d为编码1/0, m为用于预测的值marker

注意需要一个disease code,不一定是1/0，但最后选择编码为1/0

如不1/0，则stat_roc默认按顺序最低值为无病状态basicplot

basicplotimage.png若diseaase编码非1/0:提示warning但仍能继续ggplot(test, aes(d = D.str, m = M1)) + geom_roc()image.pngn.cuts参数：展示几个截断点

labelsize: 展示标签的大小

labelround: label值保留几位小数ggplot(test, aes(d = D, m = M1)) + geom_roc(n.cuts = 5, labelsize = 5,  labelround = 2)修改style-style_roc函数styledplot

styledplotimage.png修改xlab, 主题basicplot + style_roc(theme = theme_grey, xlab = "1 - Specificity")image.png

multiROC-多因素诊断

meltroc类似于dplyr中的gather。转换数据为长数据，原数据为两列markerhead(test)

##     D          M name

## M11 1 1.48117155   M1

## M12 1 0.61994478   M1

## M13 0 0.57613345   M1

## M14 1 0.85433197   M1

## M15 0 0.05258342   M1

## M16 1 0.66703989   M1

longtest

head(longtest)

table(longtest$name)

## ROC曲线比较

ggplot(longtest, aes(d = D, m = M, color = name)) +

geom_roc() +

style_roc()+

ggsci::scale_color_lancet()image.pngggplot2分面ggplot(longtest, aes(d = D, m = M, color = name)) +

geom_roc() +

style_roc()+

facet_wrap(~name)+

ggsci::scale_color_lancet()image.png主题与注释AUC计算并绘制在图中-calc_auc函数

calc_auc(basicplot)$AUC提取basicplot +

style_roc(theme = theme_grey) + ##主题修改

theme(axis.text = element_text(colour = "blue")) +

ggtitle("Themes and annotations") + ## 标题

annotate("text", x = .75, y = .25, ## 注释text的位置

label = paste("AUC =", round(calc_auc(basicplot)$AUC, 2))) +

scale_x_continuous("1 - Specificity", breaks = seq(0, 1, by = .1)) ## x刻度

## Scale for 'x' is already present. Adding another scale for 'x', whiimage.png对multi_ROC注释，实现多个AUC值的呈现，实际上仍然是ggplot2语法中的annotate注释p

geom_roc(n.cuts = 0) +

style_roc()+

ggsci::scale_color_lancet()

auc

head(auc)

##   PANEL group      AUC

## 1     1     1 0.833985

## 2     1     2 0.679599

p+annotate("text",x = .75, y = .25, ## 注释text的位置

label = paste("AUC of M1 =", round(calc_auc(p)$AUC[1], 2))) +

annotate("text",x = .75, y = .15, ## 注释text的位置)

label=paste("AUC of M2 =", round(calc_auc(p)$AUC[2], 2)))

其它计算ROC曲线的算法融入默认的calculate_roc 计算的是 empirical ROC曲线

只要有cutoff, TPF,FPF即可计算，将这些结果以数据框的形式传入到 ggroc 函数

代替默认的统计方法为identityrequire(plotROC)

require(ggplot2)

set.seed(2529)

D.ex

M1

M2

test

M1 = M1, M2 = M2, stringsAsFactors = FALSE)

head(test)

##   D   D.str         M1          M2

## 1 1     Ill 1.48117155 -2.50636605

## 2 1     Ill 0.61994478  1.46861033

## 3 0 Healthy 0.57613345  0.07532573

## 4 1     Ill 0.85433197  2.41997703

## 5 0 Healthy 0.05258342  0.01863718

## 6 1     Ill 0.66703989  0.24732453

D.ex

M.ex

mu1

mu0

s1

s0

c.ex

## 构造数据框传入数据

binorm.roc

FPF = pnorm((mu0 - c.ex)/s0),

TPF = pnorm((mu1 - c.ex)/s1)

)

head(binorm.roc)

binorm.plot

geom_roc(stat = "identity") + style_roc(theme = theme_grey)

binorm.plotimage.png

时间依赖的ROC曲线配合survival ROC包

配合lapply函数实现批量绘图

lappy的结果返回为list，刚好输入do.callrequire(ggplot2)

require(plotROC)

library(survivalROC)

survT

cens

M

### 时间2,5,10

sroc

stroc

predict.time = t, method = "NNE", ## KM法或NNE法

span = .25 * 350^(-.2))

data.frame(TPF = stroc[["TP"]], FPF = stroc[["FP"]],

c = stroc[["cut.values"]],

time = rep(stroc[["predict.time"]], length(stroc[["FP"]])))

})

## 整合到数据框中

sroclong

class(sroclong)

## [1] "data.frame"

head(sroclong)

##   TPF       FPF         c time

## 1   1 1.0000000      -Inf    2

## 2   1 0.9970286 -96.21091    2

## 3   1 0.9940573 -89.13315    2

## 4   1 0.9910859 -80.53402    2

## 5   1 0.9881145 -70.53104    2

## 6   1 0.9851431 -67.81392    2

sroclong$time

## 绘制ROC

pROC

geom_roc(labels = FALSE, stat = "identity") +

style_roc()+

ggsci::scale_color_jco()

pROCimage.png添加注释pROC+annotate("text",x = .75, y = .25, ## 注释text的位置

label = paste("AUC of 1 years =", round(calc_auc(pROC)$AUC[1], 2))) +

annotate("text",x = .75, y = .15, ## 注释text的位置)

label=paste("AUC of 3 years =", round(calc_auc(pROC)$AUC[2], 2)))+

annotate("text",x = .75, y = .05, ## 注释text的位置)

label=paste("AUC of 5 years =", round(calc_auc(pROC)$AUC[3], 2)))image.png