今天跟大家分享一下如何用R包nhanesA下载NHANES数据
以一个简单的研究目的为例：使用NHANES数据库中的数据构建一个舒张压的预测模型。
根据该研究目的，整理纳入分析的周期和变量：
①研究周期：2013-2014年；
②因变量：舒张压；
③自变量：性别、年龄、种族、婚姻状态、收缩压、吸烟和饮酒；
④抽样调查相关信息：weights、strata、psu（这部分数据比较特殊，至于为什么要下载这些数据，下一篇推文跟大家介绍权重的时候再详细说）。
目录：
- NHANES数据库数据存储结构
- 下载与加载包
- 查询指定年份和指定分类中的表格
- 查找表格中包含的字段
- 下载数据
- 选择相应变量
- 翻译分类变量
- 下载EXAM分类中分数据
- 下载存放表格未知的变量
- 连表
1. NHANES数据库数据存储结构
NHANES数据库的数据主要分为五个公开数据类别和一个受限访问数据，其中五个公开数据类别分别为：
- DEMO：人口统计学
- DIET: 饮食
- EXAM: 检查
- LAB: 实验室指标
- Q: 问卷调查
为了方便大家理解，我们绘制了一张NHANES数据存储结构脑图
2. 下载与加载包
install.packages("nhanesA")
install.packages("knitr")
install.packages("tidyverse")
install.packages("plyr")
library(nhanesA)
library(knitr)
library(tidyverse)
library(plyr)
3. 查询指定年份和指定分类中的表格
用 nhanesTables()方法可查看5个分类中各有哪些表格，以2013-2014年的人口统计学资料为例：
# data_group=DEMO/DIET/EXAM/LAB/Q, year写入一个周期中的奇数年份即可
nhanesTables(data_group = 'DEMO', year = 2013)
可以看到2013年的人口统计学资料表叫做
DEMO_H，其中H代表2013年的索引，若查询的是2015年的人口统计学资料，便是DEMO_I。
4. 查找表格中包含的字段
我们知道了2013年的人口统计学资料表叫做DEMO_H后，可以用以下代码查询该表格中包含了哪些字段，以及每个字段的描述
kable(nhanesTableVars(data_group = 'DEMO', nh_table = 'DEMO_H', namesonly = FALSE))
我们用同样的方式观察一下血压所在表BPX_H中相关字段与描述
kable(nhanesTableVars(data_group = 'EXAM', nh_table = 'BPX_H', namesonly = FALSE))
如果想要对表和字段有更深的了解，我们可以用以下代码，跳转到NHANES官网，查看表和字段的说明
browseNHANES(data_group = 'EXAM', nh_table = 'BPX_H')
5.下载人口统计学数据
用nhanes方法可直接在R中下载指标表格
demo <- nhanes('DEMO_H')
下载时如果出错，多重试几次，如果重试多次还是下载不了，也可以把官方的XPT文件下载到本地，然后用以下代码加载（这里以2013-2014的DEMO_H为例）
library(haven)
demo <- read_xpt(file ='DEMO_H.xpt')
6. 选择相应变量下载完成后，我们根据研究目的选择变量。
本案例需要的性别、年龄、种族、婚姻状态以及weights、strata、psu都是在人口统计资料中，用以下代码从demo中选择这些变量
demo1 <- demo %>% select(SEQN, # 序列号
RIAGENDR, # 性别
RIDAGEYR, # 年龄
RIDRETH3, # 种族
DMDMARTL, # 婚姻状况
WTINT2YR,WTMEC2YR, # 权重
SDMVPSU, # psu
SDMVSTRA) # strata
7.翻译分类变量
直接下载下来的分类变量是以1、2等数字表示，如上图中的性别和种族等，用以下代码，将数字翻译成其所代表的含义
demo_vars <- names(demo1)
demo2 <- nhanesTranslate('DEMO_H', demo_vars, data=demo1)
在翻译过程中，可能会出现如下图所示警告，这是由于有些字段不是分类变量，不需要翻译，所以我们可以忽略这个警告
最后翻译完成的数据，如下图所示
8. 下载EXAM分类中的数据
其中收缩压和舒张压数据位于BPX_H表格中
bpx <- nhanes('BPX_H')
bpx1 <- bpx %>% select(SEQN, # 序列号
BPXDI1, # 舒张压
BPXSY1) # 收缩压
9. 下载存放表格未知的变量
对于一些不知道在哪个表格里的变量，可以在官网进行关键词搜索，链接如下
https://wwwn.cdc.gov/nchs/nhanes/search/default.aspx
以吸烟数据为例
可以看到有很多不同的数据集都包含了吸烟信息
然后我们根据描述，选取适合我们研究目的的变量，我们这里选择SMQ040: "你现在是否吸烟？"（也可以通过查看详细描述后再选择更加适合自己研究目的的变量）
进入2013-2014 Questionnaire页面后，我们会看到Q分类下所有的表格，再找到我们所需要的SMQ040字段所在的表SMQ_H，点击SMQ_H DOC可以查看该表格以及表中字段的具体信息
查到吸烟数据对应的表格和字段后，用以下代码下载表格并选取字段
smq <- nhanes('SMQ_H')
smq1 <- smq %>% select(SEQN, # 序列号
SMQ040) # 你现在吸烟吗？
# 用同样的方式查询并下载饮酒数据
alq <- nhanes('ALQ_H')
alq1 <- alq %>% select(SEQN, # 序列号
ALQ130) # 过去12个月每天饮酒量
10. 连表
此时我们有了以下4个表
人口统计学资料表：
demo2血压数据表：
bpx1吸烟数据表：
smq1饮酒数据表：
alq1
根据序列号‘SEQN’将4个表连接成一个表，用来进行后续的分析（SEQN是NHANES数据库中被调查者的唯一标识）
# 方式1：逐张连表
data <- demo2 %>% full_join(bpx1, by = 'SEQN') %>% full_join(alq1, by = 'SEQN')
# 方式2：全部连表
data <- join_all(list(demo2, bpx1, alq1, smq1), by = 'SEQN', type = 'full')
至此生成的data就是研究目的所需要的所有数据了
需要注意的是由于NHANES中数据抽样方法的复杂性，这份数据不能够直接利用传统的统计方法进行分析。至于如何正确分析，我们将在后续的推文中跟大家介绍！
统计合作与交流欢迎私信我们~
