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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook09