Lasso-cox代码

以下是一个利用Lasso-Cox模型进行变量选择和生存分析的R语言代码示例：

library(glmnet)
library(survival)

# 加载数据
data <- read.csv("data.csv", header = TRUE)

# 将数据分为自变量和因变量
X <- as.matrix(data[, -c(1,2)])
Y <- Surv(data$Time, data$Event)

# 划分训练集和测试集
set.seed(123)
train.index <- sample(1:nrow(X), round(0.7*nrow(X)), replace = FALSE)
X.train <- X[train.index, ]
Y.train <- Y[train.index]
X.test <- X[-train.index, ]
Y.test <- Y[-train.index]

# 构建Lasso-Cox模型
fit <- glmnet(X.train, Y.train, family = "cox")
cv.fit <- cv.glmnet(X.train, Y.train, family = "cox", type.measure = "deviance")

# 变量选择
plot(cv.fit)
best.lambda <- cv.fit$lambda.min
coef <- coef(cv.fit, s = best.lambda)
selected.vars <- rownames(coef)[which(coef[, 1] != 0)]

# 模型评估
pred <- predict(fit, s = best.lambda, newx = X.test)
pred.surv <- exp(-pred)
surv <- Surv(time = Y.test[, 1], event = Y.test[, 2])
logrank <- survdiff(surv ~ pred.surv)
print(paste("Log-rank test p-value:", round(1 - pchisq(logrank$chisq, 1), 4)))

# 输出结果
print(paste("Selected variables:", selected.vars))

代码中，首先加载了glmnet和survival两个库，并读入数据。然后将数据分为自变量X和因变量Y，并将其划分为训练集和测试集。接下来，利用glmnet函数构建Lasso-Cox模型，并使用cv.glmnet函数进行交叉验证和正则化参数选择。通过绘制交叉验证误差曲线，选择最优的正则化参数best.lambda，并使用coef函数获取系数，进而进行变量选择。最后，利用predict函数对测试集进行预测，计算预测的生存函数，并使用survdiff函数计算log-rank统计量，评估模型性能。最后，输出选择的变量和评估结果。