Zurück zu Fähigkeiten

generate-statistical-tables

pjt222
Aktualisiert Yesterday
1 Ansichten
17
2
17
Auf GitHub ansehen
Metaworddesign

Über

Diese Fähigkeit erstellt publikationsreife statistische Tabellen in R mit Paketen wie gt, kableExtra oder flextable. Sie generiert deskriptive Statistiken, Regressionsergebnisse, ANOVA-Tabellen und APA-formatierte Ausgaben für wissenschaftliche Arbeiten. Nutzen Sie sie bei der Formatierung von Analyseergebnissen für Quarto, R Markdown oder Manuskriptberichte.

Schnellinstallation

Claude Code

Empfohlen
Primär
npx skills add pjt222/agent-almanac -a claude-code
Plugin-BefehlAlternativ
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternativ
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/generate-statistical-tables

Kopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren

Dokumentation

Generate Statistical Tables

Pub-ready stat tables for reports + manuscripts.

Use When

  • Descriptive stats tables
  • Regression / ANOVA output format
  • Correlation matrices
  • APA-style academic
  • Quarto / R Markdown tables

In

  • Required: stat results (models, summaries)
  • Required: out format (HTML, PDF, Word)
  • Optional: style guide (APA, journal)
  • Optional: numbering scheme

Do

Step 1: Choose pkg

PackageBest forFormats
gtHTML, general-purposeHTML, PDF, Word
kableExtraLaTeX/PDF documentsPDF, HTML
flextableWord documentsWord, PDF, HTML
gtsummaryClinical/statistical summariesAll via gt/flextable

→ Pkg selected by format + use case, installed + loadable.

If err: missing → install.packages("gt") (or proper). gtsummary needs gt + gtsummary.

Step 2: Descriptive stats

library(gt)

descriptives <- data |>
  group_by(group) |>
  summarise(
    n = n(),
    M = mean(score, na.rm = TRUE),
    SD = sd(score, na.rm = TRUE),
    Min = min(score, na.rm = TRUE),
    Max = max(score, na.rm = TRUE)
  )

gt(descriptives) |>
  tab_header(
    title = "Table 1",
    subtitle = "Descriptive Statistics by Group"
  ) |>
  fmt_number(columns = c(M, SD), decimals = 2) |>
  fmt_number(columns = c(Min, Max), decimals = 1) |>
  cols_label(
    group = "Group",
    n = md("*n*"),
    M = md("*M*"),
    SD = md("*SD*")
  )

gt object w/ M, SD, n grouped, italic headers.

If err: group_by() unexpected → verify var + levels. fmt_number() err → numeric cols.

Step 3: Regression results

model <- lm(outcome ~ predictor1 + predictor2 + predictor3, data = data)

library(gtsummary)

tbl_regression(model) |>
  bold_p() |>
  add_glance_source_note(
    include = c(r.squared, adj.r.squared, nobs)
  ) |>
  modify_header(label = "**Predictor**") |>
  modify_caption("Table 2: Regression Results")

→ Regression table w/ bold p, fit stats note, caption.

If err: tbl_regression() fail → verify model obj (lm, glm). add_glance_source_note() err → check broom::glance(model).

Step 4: Correlation matrix

library(gt)

cor_matrix <- cor(data[, c("var1", "var2", "var3", "var4")],
                  use = "pairwise.complete.obs")

# Format lower triangle
cor_matrix[upper.tri(cor_matrix)] <- NA

as.data.frame(cor_matrix) |>
  tibble::rownames_to_column("Variable") |>
  gt() |>
  fmt_number(decimals = 2) |>
  sub_missing(missing_text = "") |>
  tab_header(title = "Table 3", subtitle = "Correlation Matrix")

→ Lower-triangle cor matrix w/ blanked upper, 2 dec, caption.

If err: sub_missing() not blanking → check NA set. Non-numeric → cor() fails → filter numeric.

Step 5: ANOVA table

aov_result <- aov(score ~ group * condition, data = data)

library(gtsummary)

tbl_anova <- broom::tidy(aov_result) |>
  gt() |>
  fmt_number(columns = c(sumsq, meansq, statistic), decimals = 2) |>
  fmt_number(columns = p.value, decimals = 3) |>
  cols_label(
    term = "Source",
    df = md("*df*"),
    sumsq = md("*SS*"),
    meansq = md("*MS*"),
    statistic = md("*F*"),
    p.value = md("*p*")
  ) |>
  tab_header(title = "Table 4", subtitle = "ANOVA Results")

→ ANOVA w/ Source, df, SS, MS, F, p. Interactions labeled, p to 3 dec.

If err: broom::tidy(aov_result) unexpected cols → verify aov obj. Type III SS → car::Anova(model, type = 3).

Step 6: Save

# Save as HTML
gtsave(my_table, "table1.html")

# Save as Word
gtsave(my_table, "table1.docx")

# Save as PNG image
gtsave(my_table, "table1.png")

# For LaTeX/PDF (kableExtra)
kableExtra::save_kable(kable_table, "table1.pdf")

→ Saved to format. Opens correctly.

If err: gtsave() Word fail → install webshot2. PDF via kableExtra → install TinyTeX/MiKTeX.

Step 7: Embed in Quarto

```{r}
#| label: tbl-descriptives
#| tbl-cap: "Descriptive Statistics by Group"

gt(descriptives) |>
  fmt_number(columns = c(M, SD), decimals = 2)
```

See @tbl-descriptives for summary statistics.

→ Renders inline w/ @tbl-* cross-ref + caption. Adapts to format.

If err: no render → chunk label tbl- prefix. PDF formatting lost → switch gt → kableExtra.

Check

  • Renders in target format
  • Consistent number format
  • Stat notation per style (italic, symbols)
  • Clear caption + numbering
  • Meaningful headers
  • Notes/footnotes explain abbrevs + sig markers

Traps

  • gt in PDF: limited. Use kableExtra for LaTeX.
  • Rounding inconsistency: fmt_number() (gt) / format() not round().
  • Missing values: sub_missing() (gt) or options(knitr.kable.NA = "").
  • Wide PDF: landscape() or font reduction.
  • APA number: no leading zero when ≤1 (p, corr): ".03" not "0.03".

  • format-apa-report — APA manuscript tables
  • create-quarto-report — embed in reports
  • build-parameterized-report — param-adaptive tables

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/caveman-ultra/skills/generate-statistical-tables
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Verwandte Skills

content-collections

Meta

Diese Skill bietet eine produktionsgetestete Einrichtung für Content Collections – ein TypeScript-first-Tool, das Markdown/MDX-Dateien in typsichere Datensammlungen mit Zod-Validierung umwandelt. Verwenden Sie ihn beim Erstellen von Blogs, Dokumentationsseiten oder inhaltsstarken Vite + React-Anwendungen, um Typsicherheit und automatische Inhaltsvalidierung zu gewährleisten. Er behandelt alles von der Vite-Plugin-Konfiguration und MDX-Kompilierung bis hin zur Deployment-Optimierung und Schema-Validierung.

Skill ansehen

polymarket

Meta

Diese Fähigkeit ermöglicht es Entwicklern, Anwendungen mit der Polymarket-Prognosemärkte-Plattform zu erstellen, einschließlich API-Integration für Handel und Marktdaten. Sie bietet außerdem Echtzeit-Datenstreaming über WebSocket, um Live-Trades und Marktaktivitäten zu überwachen. Nutzen Sie sie zur Implementierung von Handelsstrategien oder zur Erstellung von Tools, die Live-Marktaktualisierungen verarbeiten.

Skill ansehen

creating-opencode-plugins

Meta

Diese Fähigkeit unterstützt Entwickler dabei, OpenCode-Plugins zu erstellen, die in über 25 Ereignistypen wie Befehle, Dateien und LSP-Operationen eingreifen. Sie bietet die Plugin-Struktur, Event-API-Spezifikationen und Implementierungsmuster für JavaScript/TypeScript-Module. Nutzen Sie sie, wenn Sie den Lebenszyklus des OpenCode KI-Assistenten mit benutzerdefinierter ereignisgesteuerter Logik abfangen, überwachen oder erweitern müssen.

Skill ansehen

sglang

Meta

SGLang ist ein hochperformantes LLM-Serving-Framework, das sich auf schnelle, strukturierte Generierung für JSON, Regex und agentenbasierte Workflows unter Verwendung seines RadixAttention-Prefix-Cachings spezialisiert. Es bietet deutlich schnellere Inferenz, insbesondere für Aufgaben mit wiederholten Präfixen, was es ideal für komplexe, strukturierte Ausgaben und Mehrfachdialoge macht. Wählen Sie SGLang gegenüber Alternativen wie vLLM, wenn Sie constrained decoding benötigen oder Anwendungen mit umfangreicher Präfix-Weitergabe entwickeln.

Skill ansehen