gtsummary 2.1.0版本发布:统计表格生成工具的重大更新
gtsummary是一个用于创建精美统计表格的R语言扩展包,它能够帮助研究人员和数据分析师快速生成符合出版要求的描述性统计表格、回归模型结果表格等。该包特别适合医学研究、社会科学等领域的数据报告需求,能够与R生态中的tidyverse系列包无缝协作。
表格嵌套与分层展示功能增强
本次2.1.0版本新增了tbl_strata_nested_stack()函数,它是对现有tbl_strata()功能的扩展。新函数能够创建嵌套表格结构,将结果表格缩进显示在每个分层标题下方,使得分层结果的组织更加清晰直观。这种展示方式特别适合呈现多层次的分组分析结果。
置信区间计算功能改进
add_ci.tbl_summary()函数现在支持对使用tbl_summary(percent = c('row', 'cell'))汇总的分类变量计算置信区间。这一改进扩展了置信区间计算的应用范围,使得研究人员能够更全面地评估分类变量比例估计的精确度。
表格合并功能升级
tbl_merge()函数新增了merge_vars参数,为用户提供了更大的灵活性来指定合并列。此外,默认合并列现在包含了cards::all_ard_groups()选择的列,这使得合并tbl_hierarchical()和tbl_hierarchical_count()的结果成为可能。
值得注意的是,这一改进也带来了一些行为变化。在之前的版本中,合并具有相同变量但不同标签的表格时,系统会静默地使用第一个标签。虽然这在某些边缘情况下可能有用,但结果往往不符合用户预期。新版本采用了更直观的合并方式,结果更符合用户期望。
表格修饰函数家族全面升级
本次更新对表格修饰函数进行了全面增强,新增和改进了多个函数:
-
样式修饰:新增
modify_bold()、modify_italic()、remove_bold()和remove_italic()函数,用于方便地添加或移除单元格的粗体和斜体样式。 -
脚注系统重构:重新设计了脚注处理机制,将原先混杂的功能拆分为三个清晰的函数:
modify_footnote_header():专门处理表头脚注modify_footnote_body():处理表格主体中的脚注modify_abbreviation():处理缩写说明
同时新增了对应的移除函数
remove_footnote_header()、remove_footnote_body()和remove_abbreviation()。新系统还支持通过replace=FALSE参数让多个脚注引用同一个单元格。 -
来源说明增强:正式推出了
modify_source_note()和remove_source_note()函数,支持添加多个来源说明。在表格合并和堆叠时,现在会保留所有来源说明,而不仅仅是第一个。 -
跨列标题改进:新增
level参数支持多级跨列标题,并提供了remove_spanning_header()函数便于移除跨列标题。 -
其他实用功能:新增
modify_missing_symbol()用于自定义缺失值显示方式,remove_column_merge()用于撤销列合并操作,以及modify_caption()现在支持多个标题。
国际化与错误修复
本次更新完善了多语言支持,补充了之前缺失的部分翻译内容。在错误修复方面,解决了表格合并时混合类型列的处理问题,修正了全NA变量置信区间计算时的错误,并更新了测试相关的文档说明。
gtsummary 2.1.0版本的这些改进显著提升了表格生成的灵活性和表现力,使得研究人员能够创建更加专业、信息量更丰富的统计报表。无论是基础的数据描述还是复杂的多模型比较,新版本都提供了更加强大和易用的工具集。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00