# loads dplyr
library(dplyr)
# core survival analysisfunctions
library(survival)
# recommended forvisualizing survival curves
library(survminer)
#加载内置colon数据集
data(colon)
#list directory contents
ls(colon)
得到如下图：
#创建生存对象
fit <- survfit(Surv(time, status)~rx, data=colon)
#level()是为了看分组水平情况，以确定对照组，一般level（）之后第一个为对照组
levels(colon$rx)
ggsurvplot(fit,risk.table=TRUE,#生存统计统计表
conf.int=TRUE,#添加置信区间带
palette = c("skyblue","green","red"),#颜色设置
pval=TRUE,#log-rank检验
pval.method=TRUE)#添加检验text
至于是treatment中的哪一组与Obs相比，显著性，差异性更大，需要查看 Lev 和 obs 对比的p值及HR，以及 （Lev+5FU） 和 Obs 对比的p值及HR，评价分组的治疗效果
#Cox Regression,评价rx分组后治疗效果
fit1<-coxph(Surv(time, status)~rx, data=colon)
fit1
原文: R语言之生信⑦Cox比例风险模型(单因素)
======================================
在前一章（TCGA生存分析）中，我们描述了生存分析的基本概念以及分析和总结生存数据的方法，包括：1.危险和生存功能的定义 2.为不同患者群构建Kaplan-Meier生存曲线用于比较两条或更多条生存曲线的logrank检验
但是上述方法--Kaplan-Meier曲线和logrank测试 - 是单变量分析的例子。他们根据调查中的一个因素来描述生存，但忽略了任何其他因素的影响。
此外，Kaplan-Meier曲线和logrank检验仅在预测变量是分类时才有用（例如：治疗A与治疗B男性与女性）。它们不适用于基因表达，体重或年龄等定量预测因子。
另一种方法是Cox比例风险回归分析，它适用于定量预测变量和分类变量。此外，Cox回归模型扩展了生存分析方法，以同时评估几种风险因素对生存时间的影响。
在临床研究中，存在许多情况，其中几个已知量（称为协变量）可能影响患者预后。
例如，假设比较两组患者：那些患者和没有特定基因型的患者。如果其中一组也包含较老的个体，则存活率的任何差异可归因于基因型或年龄或两者。因此，在研究与任何一个因素相关的生存时，通常需要调整其他因素的影响。
cox比例风险模型是用于对生存分析数据建模的最重要方法之一。该模型的目的是同时评估几个因素对生存的影响。换句话说，它允许我们检查特定因素如何影响特定时间点发生的特定事件（例如，感染，死亡）的发生率。该比率通常称为危险率。预测变量（或因子）通常在生存分析文献中称为协变量。
要一次将单变量coxph函数应用于多个协变量，请键入：
上面的输出显示了回归β系数，效应大小（作为风险比给出）和每个变量相对于总体生存的统计显着性。每个因素都通过单独的单变量Cox回归来评估。
