小伙伴们大家好！今天给大家分享下怎样用R语言来进行生存分析：
首先，我们需要安装survival包。这个包里有自带的数据集，我们选择肺癌lung数据集来进行示范。
#加载数据
install.packages('survival')
library(survival)
data(cancer)
data(lung)
这样就能把数据集加载好啦！接下来，我们先分别运用Cox回归进行单因素分析、多因素分析，看看对于因变量肺癌来说，什么是危险因素，什么是保护因素。
单因素分析Cox回归
#单因素
fit1 <- coxph(Surv(time,status)~sex,data=lung)
summary(fit1)
fit2 <- coxph(Surv(time,status)~age,data=lung)
summary(fit2)
单因素分析，顾名思义就是只有一个变量。单因素和多因素分析相辅相成。单因素分析可以初步探索预测变量与响应变量的关系。
生存分析里，存在着两个因变量。分别是time生存时间（一般以天数、小时等为单位），还有status生存状态（生存1、死亡0）。两个因变量缺一不可。
多因素分析Cox回归
#多因素
fit3 <- coxph(Surv(time,status)~sex+age,data=lung)
summary(fit3)
多因素分析，将多个因素同时加入回归，可以进一步排除其他混杂因素的影响。这样就能确定预测变量和响应变量的关系。
多因素分析结果表明，年龄从单因素时的显著变成了不显著(P>.05)，OR值我们看exp(coef)那一列。不显著的因素就不用看OR值了，所以我们主要看看sex的OR值，也就是0.5986，小于1，说明性别编码为2（女性）对于肺癌来说是保护因素。
KM生存曲线绘制
#可视化install.packages('survminer')
library(survminer)
ggsurvplot(survfit(Surv(time,status)~sex,data=lung))
要画Kaplan-Meier生存曲线，就得加载survminer包。贼好用！颜色、坐标轴都可以自由设置，但其实，默认的已经很好看了。是不是与好多文献里的生存曲线类似？
这就是今天想跟大家演示的R语言生存分析的过程，以及KM曲线的绘制。觉得有帮助别忘了点个“在看”哦