R语言使用dietaryindex包计算NHANES数据多种营养指数（2）

健康饮食指数(HEI) 是评估一组食物是否符合美国人膳食指南 (DGA) 的指标。Dietindex包提供用户友好的简化方法，将饮食摄入数据标准化为基于指数的饮食模式，从而能够评估流行病学和临床研究中对这些模式的遵守情况，从而促进精准营养。该软件包可以计算以下饮食模式指数：· 2020 年健康饮食指数（HEI2020 和 HEI-Toddlers-2020）· 2015 年健康饮食指数 (HEI2015)· 另类健康饮食指数（AHEI）· 控制高血压指数 (DASH) 的饮食方法· DASH 试验中的 DASH 份量指数 (DASHI)· 替代地中海饮食评分 (aMED)·PREDIMED 试验中的 MED 份量指数 (MEDI)· 膳食炎症指数(DII)· 美国癌症协会2020 年饮食评分（ACS2020_V1 和ACS2020_V2）·EAT-Lancet 委员会 (PHDI) 的行星健康饮食指数上一期咱们咱们初步介绍了dietaryindex包计算膳食指数，这期咱们继续介绍。先导入需要的R包library(ggplot2)library(dplyr)library(tidyr)library(dietaryindex)library(survey)options(survey.lonely.psu= ‘adjust’) ##解决了将调查数据分组到小组的孤独psu问题导入R包自带的数据，其中DASH_trial和PREDIMED_trial是临床试验的数据，NHANES_20172018数据属于临床流行病学的研究。假设咱们想研究临床试验数据的膳食指数和流行病学中的膳食指数由什么不同？data(‘DASH_trial’)data(‘PREDIMED_trial’)data(‘NHANES_20172018’)先设置一下咱们的目录setwd(‘E:/公众号文章2024年/dietaryindex包计算营养指数’)导入R包关于设置好的营养指数的数据，这个数据需要到作者的主页空间下载，如果需要我下载好的，公众号回复：代码# Loadthe NHANES data from 2005 to 2018##NHANES 2005-2006load(‘NHANES_20052006.rda’)## NHANES2007-2008load(‘NHANES_20072008.rda’)##NHANES 2009-2010load(‘NHANES_20092010.rda’)##NHANES 2011-2012load(‘NHANES_20112012.rda’)##NHANES 2013-2014load(‘NHANES_20132014.rda’)##NHANES 2015-2016load(‘NHANES_20152016.rda’)这里咱们以DASHI饮食指数和地中海 MEDI 膳食指数为例子， 利用DASH和MEDI饮食指数，对2017-2018年临床试验（即DASH和PREDIMED）的结果与流行病学研究（即NHANES）的结果进行对比分析。# 计算DASHI饮食指数（基于营养素），即停止高血压的饮食方法，使用每1天摄入的营养素。# 所有营养素将除以（总能量/2000 kcal）以调整能量摄入DASHI_DASH = DASHI( SERV_DATA = DASH_trial, #原始数据文件，包括所有份量的食物和营养素 RESPONDENTID = DASH_trial$Diet_Type, #每个参与者的唯一参与者ID TOTALKCAL_DASHI = DASH_trial$Kcal, #总能量摄入 TOTAL_FAT_DASHI = DASH_trial$Totalfat_Percent, #总脂肪摄入量 SAT_FAT_DASHI = DASH_trial$Satfat_Percent, #饱和脂肪摄入量 PROTEIN_DASHI = DASH_trial$Protein_Percent, #蛋白质摄入量 CHOLESTEROL_DASHI = DASH_trial$Cholesterol, #胆固醇摄入量 FIBER_DASHI = DASH_trial$Fiber, #纤维摄入量 POTASSIUM_DASHI = DASH_trial$Potassium, #钾摄入量 MAGNESIUM_DASHI = DASH_trial$Magnesium, #镁摄入量 CALCIUM_DASHI = DASH_trial$Calcium, #钙摄入量 SODIUM_DASHI = DASH_trial$Sodium) #钠摄入量计算地中海MEDI 膳食指数（基于食用量），使用给定的 1 天摄入的食物和营养素的食用量MEDI_PREDIMED = MEDI( SERV_DATA = PREDIMED_trial, #数据文件 RESPONDENTID = PREDIMED_trial$Diet_Type, #每位参与者的唯一 ID OLIVE_OIL_SERV_MEDI = PREDIMED_trial$Virgin_Oliveoil,#橄榄油的食用分量 FRT_SERV_MEDI = PREDIMED_trial$Fruits, #所有全果的食用分量 VEG_SERV_MEDI = PREDIMED_trial$Vegetables, #除马铃薯和豆类以外的所有蔬菜的食用量 LEGUMES_SERV_MEDI = PREDIMED_trial$Legumes, #豆类蔬菜的食用分量 NUTS_SERV_MEDI = PREDIMED_trial$Total_nuts, #坚果和种子的食用量 FISH_SEAFOOD_SERV_MEDI = PREDIMED_trial$Fish_Seafood, #鱼类海产品的食用分量 ALCOHOL_SERV_MEDI = PREDIMED_trial$Alcohol, #酒精的食用量，包括葡萄酒、啤酒、’淡啤酒’、白酒 SSB_SERV_MEDI = PREDIMED_trial$Soda_Drinks, #所有含糖饮料的食用量 SWEETS_SERV_MEDI = PREDIMED_trial$Sweets, #所有甜食（包括糖果、巧克力、冰淇淋、饼干、蛋糕、派、糕点） DISCRET_FAT_SERV_MEDI = PREDIMED_trial$Refined_Oliveoil, #酌定脂肪食用分量,包括黄油、人造黄油、蛋黄酱、沙拉酱 REDPROC_MEAT_SERV_MEDI = PREDIMED_trial$Meat) #红肉和加工肉类接下来就是对NHANES进行计算对2017-2018年第 1 天和第 2 天 NHANES 数据设置调查设计，先去掉缺失值##过滤掉权重变量 WTDR2D 的缺失值NHANES_20172018_design_d1d2= NHANES_20172018$FPED %>% filter(!is.na(WTDR2D))计算各个指数##NHANES
2017年至2018年#DASHI第1天和第2天,NUTRIENT为第一天数据，NUTRIENT2为第二天数据#在 1 个步骤内计算 NHANES_FPED 数据（2005 年以后）的 DASHI（基于营养素）DASHI_NHANES= DASHI_NHANES_FPED(NUTRIENT_PATH=NHANES_20172018$NUTRIENT, NUTRIENT_PATH2=NHANES_20172018$NUTRIENT2)# MEDI
for 第1天和第2天MEDI_NHANES= MEDI_NHANES_FPED(FPED_IND_PATH=NHANES_20172018$FPED_IND,NUTRIENT_IND_PATH=NHANES_20172018$NUTRIENT_IND,FPED_IND_PATH2=NHANES_20172018$FPED_IND2, NUTRIENT_IND_PATH2=NHANES_20172018$NUTRIENT_IND2)# DASH
for 第1天和第2天DASH_NHANES= DASH_NHANES_FPED(NHANES_20172018$FPED_IND, NHANES_20172018$NUTRIENT_IND,NHANES_20172018$FPED_IND2, NHANES_20172018$NUTRIENT_IND2)# MED
for 第1天和第2天MED_NHANES= MED_NHANES_FPED(FPED_PATH=NHANES_20172018$FPED,NUTRIENT_PATH=NHANES_20172018$NUTRIENT, DEMO_PATH=NHANES_20172018$DEMO,FPED_PATH2=NHANES_20172018$FPED2, NUTRIENT_PATH2=NHANES_20172018$NUTRIENT2)# AHEI
for 第1天和第2天AHEI_NHANES= AHEI_NHANES_FPED(NHANES_20172018$FPED_IND, NHANES_20172018$NUTRIENT_IND,NHANES_20172018$FPED_IND2, NHANES_20172018$NUTRIENT_IND2)# DII
for 第1天和第2天DII_NHANES= DII_NHANES_FPED(FPED_PATH=NHANES_20172018$FPED,NUTRIENT_PATH=NHANES_20172018$NUTRIENT, DEMO_PATH=NHANES_20172018$DEMO,FPED_PATH2=NHANES_20172018$FPED2, NUTRIENT_PATH2=NHANES_20172018$NUTRIENT2)#
HEI2020 for 第1天和第2天HEI2020_NHANES_1718= HEI2020_NHANES_FPED(FPED_PATH=NHANES_20172018$FPED,NUTRIENT_PATH=NHANES_20172018$NUTRIENT, DEMO_PATH=NHANES_20172018$DEMO,FPED_PATH2=NHANES_20172018$FPED2, NUTRIENT_PATH2=NHANES_20172018$NUTRIENT2)通过SEQN将所有先前的这些数据合并为一个数据，NHANES_20172018_dietaryindex_d1d2= inner_join(NHANES_20172018_design_d1d2, DASHI_NHANES, by = ‘SEQN’)%>% inner_join(MEDI_NHANES, by =’SEQN’) %>% inner_join(DASH_NHANES, by =’SEQN’) %>% inner_join(MED_NHANES, by = ‘SEQN’)%>% inner_join(AHEI_NHANES, by =’SEQN’) %>% inner_join(DII_NHANES, by = ‘SEQN’)%>% inner_join(HEI2020_NHANES_1718, by =’SEQN’)对这个合并数据生成调查设计NHANES_design_1718_d1d2<- svydesign( id = ~SDMVPSU, strata = ~SDMVSTRA, weight = ~WTDR2D, data = NHANES_20172018_dietaryindex_d1d2, #set up survey design on the full dataset #can restrict at time of analysis nest = TRUE)从这个调查对象中提取出相关指标的平均值# 生成 DASHI_ALL 的 svymean 对象DASHI_1718_svymean= svymean(~DASHI_ALL, design = NHANES_design_1718_d1d2, na.rm = TRUE)# 从 svymean 对象中提取平均值DASHI_1718_svymean_mean= DASHI_1718_svymean[[‘DASHI_ALL’]]# 生成 MEDI_ALL 的 svymean 对象MEDI_1718_svymean= svymean(~MEDI_ALL, design = NHANES_design_1718_d1d2, na.rm = TRUE)# 从 svymean 对象中提取平均值MEDI_1718_svymean_mean= MEDI_1718_svymean[[‘MEDI_ALL’]]#为DASH_ALL生成svymean对象DASH_1718_svymean= svymean(~DASH_ALL, design = NHANES_design_1718_d1d2, na.rm = TRUE)#从svymean对象中提取均值DASH_1718_svymean_mean= DASH_1718_svymean[[‘DASH_ALL’]]#为MED_ALL生成svymean对象MED_1718_svymean= svymean(~MED_ALL, design = NHANES_design_1718_d1d2, na.rm = TRUE)#从svymean对象中提取均值MED_1718_svymean_mean= MED_1718_svymean[[‘MED_ALL’]]#
generate the svymean object for AHEI_ALLAHEI_1718_svymean= svymean(~AHEI_ALL, design = NHANES_design_1718_d1d2, na.rm = TRUE)#
extract the mean from the svymean objectAHEI_1718_svymean_mean= AHEI_1718_svymean[[‘AHEI_ALL’]]#
generate the svymean object for DII_ALLDII_1718_svymean= svymean(~DII_ALL, design = NHANES_design_1718_d1d2, na.rm = TRUE)#
extract the mean from the svymean objectDII_1718_svymean_mean= DII_1718_svymean[[‘DII_ALL’]]#
generate the svymean object for HEI2020_ALLHEI2020_1718_svymean= svymean(~HEI2020_ALL, design = NHANES_design_1718_d1d2, na.rm = TRUE)#
extract the mean from the svymean objectHEI2020_1718_svymean_mean= HEI2020_1718_svymean[[‘HEI2020_ALL’]]先设置X轴标签名x_case1= c(‘DASHI_DASH_DASHlowSodium’, ‘DASHI_DASH_DASHMedSodium’,’DASHI_DASH_Control’, ‘MEDI_PREDIMED_Med_Oliveoil’,’MEDI_PREDIMED_Med_Nuts’, ‘MEDI_PREDIMED_Control’,’DASHI_NHANES’, ‘MEDI_NHANES’)提取DASHI_DASH数据中DASHI_ALL指标，MEDI_PREDIMED数据中的MEDI_ALL指标，MEDI_PREDIMED数据中的MEDI_ALL指标，还有从NHANES_design_1718_d1d2提取的平均值y_case1= c(DASHI_DASH$DASHI_ALL[2]/9, DASHI_DASH$DASHI_ALL[3]/9,DASHI_DASH$DASHI_ALL[5]/9, MEDI_PREDIMED$MEDI_ALL[1]/11, MEDI_PREDIMED$MEDI_ALL[2]/11,MEDI_PREDIMED$MEDI_ALL[3]/11, DASHI_1718_svymean_mean/9,MEDI_1718_svymean_mean/11)生产一个Z的向量，等下绘图用于分组z_case1= c(‘DASH_trial’, ‘DASH_trial’, ‘DASH_trial’,’PREDIMED_trial’, ‘PREDIMED_trial’,’PREDIMED_trial’, ‘NHANES_20172018′,’NHANES_20172018’)创建饮食索引类型的向量w_case1= c(‘DASHI’, ‘DASHI’, ‘DASHI’, ‘MEDI’,’MEDI’, ‘MEDI’, ‘DASHI’, ‘MEDI’)将所有y值乘以100得到百分比y_case1= y_case1*100将相关指标合并成一个数据df_case1= data.frame(x_case1, y_case1, z_case1, w_case1)把分类变量转成因子df_case1$z_case1= factor(df_case1$z_case1, levels = c(‘NHANES_20172018′,’DASH_trial’, ‘PREDIMED_trial’))df_case1$x_case1= factor(df_case1$x_case1, levels = c(‘DASHI_NHANES’,’DASHI_DASH_Control’, ‘DASHI_DASH_DASHMedSodium’,’DASHI_DASH_DASHlowSodium’, ‘MEDI_NHANES’,’MEDI_PREDIMED_Control’, ‘MEDI_PREDIMED_Med_Nuts’,’MEDI_PREDIMED_Med_Oliveoil’))最后绘图ggplot(df_case1, aes(x=z_case1, y=y_case1, fill=x_case1)) geom_bar(stat = ‘identity’, position = ‘dodge’) theme_bw() # create a facet grid with the dietary index type facet_wrap(. ~ w_case1, scales = ‘free_x’) labs( y = ‘Mean dietary index percentile’, fill = ‘Dieary indexes for specific diets’ ) theme( # increase the plot title size plot.title = element_text(size=18), # remove the x axis title axis.title.x = element_blank(), # remove the x axis text axis.text.x = element_blank(), # increase the y axis title and text size axis.title.y = element_text(size=18), axis.text.y = element_text(size=14), # increase the legend title and text size legend.title = element_text(size=18), legend.text = element_text(size=16), # increase the facet label size strip.text = element_text(size = 16) ) # add numeric labels to the bars and increase their size geom_text(aes(label = round(y_case1, 2)), vjust = -0.5, size = 4.5, position = position_dodge(0.9)) # add custom fill labels scale_fill_discrete(labels = c( ‘DASHI_DASH_DASHlowSodium’ = ‘DASHI for DASH trial low sodium diet’, ‘DASHI_DASH_DASHMedSodium’ = ‘DASHI for DASH trial medium sodium diet’, ‘DASHI_DASH_Control’ = ‘DASHI for DASH trial control diet’, ‘MEDI_PREDIMED_Med_Oliveoil’ = ‘MEDI for PREDIMED mediterranean olive oil diet’, ‘MEDI_PREDIMED_Med_Nuts’ = ‘MEDI for PREDIMED mediterranean nuts diet’, ‘MEDI_PREDIMED_Control’ = ‘MEDI for PREDIMED control diet’, ‘DASHI_NHANES’ = ‘DASHI for NHANES 2017-18’, ‘MEDI_NHANES’ = ‘MEDI for NHANES 2017-18’ ))最后得到上图，y表示平均膳食指数百分位，不同颜色的柱子分别表示各个指数。万水千山总是情，点个 👍 行不行。–这些热门话题也许您会感兴趣–时间序列分析广义可加模型临床决策曲线列线图(Nomogram)限制立方条图（RCS）一起来学R编程把逆概率加权交互作用机器学习meta分析数据挖掘中介效应Nhanes临床数据库复杂抽样设计加权（Survey）孟德尔随机化代码 视频讲解合集最近微信改版，经常有读者朋友错过推送，把零基础说科研设为星标 ⭐，及时接收最新推文 #artContent h1#artContent p img#artContent table

最后编辑：2026-03-18

作者：y930712

这个作者貌似有点懒，什么都没有留下。

站内专栏