in `as_tibble()`: ! All columns in a tibble must be vectors. ✖ Column `depressio...
🚨 错误信息
> #检查 depression 列的情况
> summary(dat$depression)
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.0000 0.0000 0.0000 0.2652 1.0000 1.0000
> table(dat$depression, useNA = "always")
0 1 <NA>
5452 1968 0
> dat$depression <- as.numeric(dat$depression) # 确保是数值型
> #或者删除包含NULL的行
> dat <- dat[!is.null(dat$depression), ]
> #使用数据集中的实际变量名（包含标签）
> actual_vars_dat <- c(
+ "chronic_num",
+ "age (年龄)",
+ "ragender (性别)",
+ "raeduc_c (教育)",
+ "marry (婚姻)",
+ "hrural (居住在农村或城市)",
+ "smokev (是否吸过烟)",
+ "disfunction_degree",
+ "trajectory_group",
+ "depression"
+ )
> # 创建标签映射（使用命名列表格式）
> labels_list_dat <- list(
+ "chronic_num"="NCDs",
+ "age (年龄)" = "年龄",
+ "ragender (性别)" = "性别",
+ "raeduc_c (教育)" = "教育",
+ "marry (婚姻)" = "婚姻",
+ "hrural (居住在农村或城市)" = "居住地（农村）",
+ "smokev (是否吸过烟)" = "吸烟",
+ "disfunction_degree" = "功能障碍",
+ "trajectory_group" = "轨迹分组",
+ "depression" = "抑郁"
+ )
> baseline <- dat %>%
+ select(all_of(actual_vars_dat)) %>%
+ tbl_summary(
+ by = depression, # 分组变量
+ statistic = list(
+ all_continuous() ~ "{mean}±({sd})", # 连续变量显示均值±标准差
+ all_categorical() ~ "{n} ({p}%)" # 分类变量显示频数(百分比)
+ ),
+ label = labels_list_dat, # 使用标签映射
+ digits = list(
+ all_continuous() ~ 2, # 连续变量保留2位小数
+ all_categorical() ~ 1 # 分类变量百分比保留1位小数
+ ),
+ missing = "no" # 不显示缺失值信息
+ ) %>%
+ add_overall() %>% # 添加总体列
+ add_p(pvalue_fun = ~ style_pvalue(.x, digits = 3)) %>% # 添加P值
+ add_n( # 添加样本量信息
+ statistic = "{N_nonmiss}",
+ col_label = "**N**",
+ footnote = TRUE
+ ) %>%
+ bold_labels() # 加粗变量标签
10 missing rows in the "depression" column have been removed.
Error in `as_tibble()`:
! All columns in a tibble must be vectors.
✖ Column `depression` is NULL.
Run `rlang::last_trace()` to see where the error occurred.
🤖 AI解决方案
Error in `as_tibble()`:
! All columns in a tibble must be vectors.
✖ Column `depression` is NULL.- 错误翻译：
错误在 `as_tibble()`:
! tibble 中的所有列都必须是向量。
✖ 列 `depression` 是 NULL。
tbl_summary 函数中，by 参数指定的变量 depression 包含了 NULL 值（即使你之前尝试删除 NULL 行，但可能在 tbl_summary 处理过程中又出现了）。tbl_summary 需要一个有效的向量作为分组变量，而 NULL 无法被识别为向量。
tbl_summary 之前，彻底清除 depression 列中的 NULL 值，并确保它是一个有效的向量类型。
# 确保 depression 列是可用的（没有 NULL）
dat <- dat[!is.null(dat$depression), ]
# 如果 depression 仍然不是一个有效的向量（例如，它可能是列表或其它类型），
# 可以先将其转换为字符型，然后再转换为因子或数值型，以确保其结构
# 这里的例子是先确保不是 NULL，如果之前已经处理了，这一步可能不是必须的
# ... (你的 actual_vars_dat 和 labels_list_dat 定义) ...
baseline <- dat %>%
select(all_of(actual_vars_dat)) %>%
tbl_summary(
by = depression, # 分组变量
statistic = list(
all_continuous() ~ "{mean}±({sd})", # 连续变量显示均值±标准差
all_categorical() ~ "{n} ({p}%)" # 分类变量显示频数(百分比)
),
label = labels_list_dat, # 使用标签映射
digits = list(
all_continuous() ~ 2, # 连续变量保留2位小数
all_categorical() ~ 1 # 分类变量百分比保留1位小数
),
missing = "no" # 不显示缺失值信息
) %>%
add_overall() %>% # 添加总体列
add_p(pvalue_fun = ~ style_pvalue(.x, digits = 3)) %>% # 添加P值
add_n( # 添加样本量信息
statistic = "{N_nonmiss}",
col_label = "**N**",
footnote = TRUE
) %>%
bold_labels()
1. 在进行数据汇总或分组分析前，务必检查所有涉及的分组变量是否包含
NA 或 NULL 值，并进行妥善处理。2. 确保分类变量在转换时，不会产生意外的
NULL 或非向量类型。例如，使用 factor() 函数时，检查其levels。