注：四分位数（Quartile），即统计学中，把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值就是四分位数。
第一四分位数 (Q1)，又称“较小四分位数”，等于该样本中所有数值由小到大排列后第25%的数字。
第二四分位数 (Q2)，又称“中位数”，等于该样本中所有数值由小到大排列后第50%的数字。
第三四分位数 (Q3)，又称“较大四分位数”，等于该样本中所有数值由小到大排列后第75%的数字。
第三四分位数与第一四分位数的差距又称四分位距（InterQuartile Range,IQR）。
R语言中计算方法：
quantile函数直接计算四分位：
例如：data = c(1,2,3,4,5,6.2,7,8,9,10)
quantile(data) #其结果如下
0% 25% 50% 75% 100%
1.00 3.25 5.60 7.75 10.00
其中0%：最小值；25%：第一四分位数Q1；50%：中位数；75%：第三四分位数；100%：最大值。
其计算方法为：
1. 排序，从小到大排列data；
2. 计算分位数的位置；pos = 1+ (n-1)*p，n为数据的总个数，p为0-1之间的值
3. 给出分位数
注意：另一种分位数的计算方法为：其他与前面的一致。但是分位数位置的计算采用：pos = (n+1)*p，n为数据的总个数，p为0-1之间的值。
四分位数的计算方法没有一个统计的标准，如果对此计算有要求的，需要注意函数的具体算法。
另外，boxplot中存在异常值，其规定标准如下：
当数据中的值大于或小于箱体的四分位距IQR的1.5倍时，认定为异常值。
就是说当某值大于（Q3+1.5*IQR）或小于（Q1-1.5*IQR）时，处理时会认定为异常值。
一、 安装RODBC库1、进入R语言的GUI界面（RGUI.EXE)，在菜单栏选择“程序包/安装程序包
2、在弹出的窗口里往下拉，选择RODBC如图，点击确定
3、在ODBC数据源管理器里将需要的数据库添加进去，这里笔者使用的是SQL Server2008，驱动程序选择Native Client10.0
3、在R语言窗口输入连接语句
>library(RODBC)
**这里是载入RODBC库
>channel<-odbcConnect("MyTest",uid="ripley",case="tolower")
**连接刚才添加进数据源的“MyTest”数据库
**ch <- odbcConnect("some dsn ", uid = "user ", pwd = "**** ")
**表示用户名为user，密码是****，如果没有设置，可以直接忽略
>data(USArrests)
**将“USArrests”表写进数据库里（这个表是R自带的）
>sqlSave(channel,USArrests,rownames = "state",addPK = TRUE)
**将数据流保存，这时候打开SQL Server就可以看到新建的USArrests表了
>rm(USArrests)
>sqlTables(channel)
**给出数据库中的表
>sqlFetch(channel,"USArrests",rownames = "state")
**输出USArrests表中的内容
>sqlQuery(channel,"select * from USArrests")
**调用SELECT查询语句并返回结果（如图）
>sqlDrop(channel,"USArrests")
**删除表
>odbcClose(channel)
**最后要记得关闭连接
当然，通过这个办法也可以读取Excel、Access表中的内容，具体方法类似，这里不再重复
利用Hmisc包中的rcorr.cens函数 局限： - 只能处理一个预测变量 - 对超过2分类的分类变量处理粗糙# 加载包及生成数据框,这里生成数据框主要是为了方便大家理解，因为大家通常都是将Excel的数据读进R，存储为数据框格式
library(survival)
library(Hmisc)
age <- rnorm(200, 50, 10)
bp <- rnorm(200,120, 15)
d.time <- rexp(200)
cens <- runif(200,.5,2)
death <- d.time <= cens
os <- pmin(d.time, cens)
sample.data <- data.frame(age = age,bp = bp,os = os,death = death)
#让我们看一下生成的例子数据的前6行
head(sample.data)
##age bp os death
## 1 33.18822 114.6965 1.106501 FALSE
## 2 41.86970 123.2265 1.365944 FALSE
## 3 50.41484 124.9522 0.867119 FALSE
## 4 45.66936 127.3237 1.155765 TRUE
## 5 39.79024 134.8846 1.257501 TRUE
## 6 31.89088 140.9382 1.125504 FALSE
rcorr.cens的代码及结果，第一个值就是C指数，同时也有Dxy的值
rcorr.cens(sample.data$age, Surv(sample.data$os, sample.data$death))
##C IndexDxy S.D. nmissing
## 4.528492e-01 -9.430156e-02 5.565299e-02 2.000000e+02 0.000000e+00
## uncensored Relevant Pairs Concordant Uncertain
## 1.290000e+02 3.172800e+04 1.436800e+04 8.072000e+03
rcorrcens的代码及结果,注意rcorrcens的写法是写成formula（公式）的形式，较为方便；而rcorr.cens的 写法是只能在前面写上一个自变量,并且不支持data = ...的写法，有点繁琐。较为遗憾的是这两种方法得到的C指数的标准误需要通过S.D./2间接得到。
r <- rcorrcens(Surv(os, death) ~ age + bp,data = sample.data)
r
## Somers' Rank Correlation for Censored DataResponse variable:Surv(os, death)
##
## CDxy aDxySDZ P n
## age 0.453 -0.094 0.094 0.056 1.69 0.0902 200
## bp 0.498 -0.003 0.003 0.054 0.06 0.9517 200
