gtsummary 2.3.0版本发布:统计表格功能全面升级
gtsummary是一个强大的R语言包,专门用于创建美观、专业的统计表格。它能够将复杂的统计结果转化为清晰易读的表格形式,广泛应用于医学研究、社会科学等领域的数据分析工作。最新发布的2.3.0版本带来了一系列令人兴奋的新功能和改进,显著提升了表格处理的灵活性和用户体验。
表格分割与合并功能增强
新版本引入了tbl_split_by_rows()和tbl_split_by_columns()两个函数,为用户提供了更灵活的表格分割能力。这些函数允许用户将表格按行或按列进行分割,特别适合处理大型表格或需要分部分展示的复杂数据。
在表格合并方面,tbl_merge()和tbl_stack()函数新增了tbl_ids参数,使得用户可以更清晰地标识和跟踪合并前的原始表格。这一改进在使用gather_ard()函数时尤为有用,因为它会返回一个命名列表,其中名称就是用户指定的表格ID。
统计计算与展示优化
2.3.0版本在统计计算方面做了多项改进:
-
tbl_summary()函数现在允许用户通过percent参数直接指定或覆盖分母,既可以是整数也可以是数据框,这为百分比计算提供了更大的灵活性。 -
新增的
add_difference_row()函数与现有的add_difference()功能类似,但差异值会显示在汇总统计下方的行中,这种展示方式可能更适合某些特定的分析需求。 -
tbl_regression()函数现在支持多组件模型,如多项模型和混合效应模型,这得益于与{broom.helpers}包的深度整合。
样式与标签控制增强
样式控制函数style_*()和label_style_*()新增了na参数,允许用户指定如何处理NA值的显示。这一改进使得表格在面对缺失数据时能够提供更一致的展示效果。
tbl_stack()函数新增了attr_order参数,用户可以指定在堆叠表格时各个属性的优先级顺序。例如,设置attr_order=2将使用第二个表格的标题样式。
错误修复与稳定性提升
2.3.0版本修复了多个影响用户体验的问题:
-
修正了
tbl_svysummary()在处理by列缺失值时的行为。 -
解决了
tbl_hierarchical()中总体行标签被错误用作变量标签的问题。 -
修复了
sort_hierarchical()和filter_hierarchical()在处理非分层表格时的行为。 -
改进了
gather_ard()函数,现在能够正确返回tbl_regression()和tbl_uvregression()的所有ARD结果,包括后续add_*()函数添加的内容。
文档与主题系统完善
新版本增加了关于modify_*()函数的详细文档文章,帮助用户更好地理解和使用这些强大的表格修改功能。主题系统也新增了多个元素,如tbl_hierarchical_count-fn:addnl-fn-to-run等,为用户提供了更细致的表格样式控制选项。
总结
gtsummary 2.3.0版本通过新增功能、改进现有功能和修复问题,显著提升了统计表格创建的灵活性和易用性。无论是基础的描述性统计表格,还是复杂的回归分析结果展示,新版本都提供了更强大、更可靠的工具支持。这些改进使得gtsummary在数据分析和学术写作中能够发挥更大的作用,帮助研究人员更高效地呈现他们的分析结果。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00