＃风险表也需要分割

＃每一个facet plot item对应一个风险表，水平垂直都分割ggsurv＄table ＋ facet＿grid（rx ～ adhere， scales ＝ ＂free＂）＋  theme（legend．position ＝ ＂none＂）

＃或者，每一个facet columns对应一个风险表，只分割垂直方向tbl＿facet ＜－ ggsurv＄table ＋ facet＿grid（．～ adhere， scales ＝ ＂free＂）tbl＿facet ＋ theme（legend．position ＝ ＂none＂）

＃最终合并分割后生存曲线和风险表，主要应用ggplot包的gridExtra函数

＃ 合并生存曲线和风险表g2 ＜－ ggplotGrob（curv＿facet）g3 ＜－ ggplotGrob（tbl＿facet）min＿ncol ＜－ min（ncol（g2）， ncol（g3））＃gridExtra：：gtable＿rbind表示合并表格g ＜－gridExtra：：gtable＿rbind（g2［， 1：min＿ncol］， g3［， 1：min＿ncol］， size＝＂last＂）g＄widths ＜－ grid：：unit．pmax（g2＄widths， g3＄widths）＃ 最终绘制于一张图上grid：：grid．newpage（）grid：：grid．draw（g）

＃因图片偏大，建议自行运行代码查看

3．主要函数arrange＿ggsurvplots （）

3．1用法：

arrange＿ggsurvplots（x， print ＝ TRUE， title ＝ NA， ncol ＝ 2，     nrow ＝ 1， surv．plot．height ＝ NULL， risk．table．height ＝ NULL，     ncensor．plot．height ＝ NULL， ．．．）

3．2 参数详解：

参数用法xggsurvplots的列表print逻辑值。如果为TRUE，则显示排列的图title图片的标题。默认值为NAsurv．plot．height网格上生存点的高度，默认：0．75risk．table．height网格上风险表的高度，默认值为0．25，当risk．table＝FALSE时忽略ncensor．plot．height删失点的高度，当 ncensor．plot ＝ TRUE时使用3．3 示例：
＃ 从lung数据库和colon数据库中分别构建两个生存曲线fit1＜－ survfit（Surv（time， status） ～ sex， data ＝ lung）fit2＜－ survfit（Surv（time， status） ～ adhere， data ＝ colon）＃ 图1选择fit1，图2选择fit2，先分别画图splots ＜－list（）splots［［1］］ ＜－ ggsurvplot（fit1， data ＝ lung， risk．table ＝ TRUE，                           ggtheme ＝ theme＿minimal（））splots［［2］］＜－ ggsurvplot（fit2， data ＝ colon， risk．table ＝ TRUE，                           ggtheme ＝ theme＿grey（））＃ 合并在同一张图中arrange＿ggsurvplots（splots， print ＝ TRUE，                    ncol ＝ 2， nrow ＝ 1， risk．table．height ＝ 0．4）

＃ 也可以不输出，直接保存pdf格式在指定文件夹res ＜－ arrange＿ggsurvplots（splots， print ＝ FALSE）ggsave（＂myfile．pdf＂， res）

4．主要函数ggcoxzph（）

4．1 用法：

ggcoxzph（fit， resid ＝ TRUE， se ＝ TRUE， df ＝ 4， nsmo ＝ 40， var，       point．col ＝ ＂red＂， point．size ＝ 1， point．shape ＝ 19，       point．alpha ＝ 1， caption ＝ NULL， ggtheme ＝ theme＿survminer（）， ．．．）

4．2 参数：

参数作用fitcox．zph类对象resid逻辑值，如果为TRUE，则残差和拟合度包括在绘图中se如果逻辑值为TRUE，则将在两个标准误差处添加置信区间df拟合曲线的自由度，df＝2，表示线性拟合nsmo用来画拟合的样条平滑曲线点的数目4．3 示例：
＃依旧使用 lung数据＃ 行cox回归和ph检验fit ＜－ coxph（Surv（time， status） ～ sex ＋ age， data ＝ lung）ftest ＜－ cox．zph（fit）＃ 查看cox回归整体模型ftest

＃画所有变量ggcoxzph（ftest）

＃ 用指定变量顺序和变量画图，font．main标题的字体样式ggcoxzph（ftest， var ＝ c（＂age＂， ＂sex＂）， font．main ＝ 10）

＃Cox模型Ph检验图看法：（以上图结果为例）

cox回归模型cox．zph．fit，模型的整体检验P值（GLOBAL）是0．194，大于0．05，说明模型整体满足PH检验。从上图可以看出，二个变量的P值均大于0．05，说明每个变量均满足PH检验。上图中实线是拟合的样条平滑曲线（黑色实线），虚线表示拟合曲线上下2个单位的标准差（黑色虚线）。如果残差曲线（红色的点）偏离2个单位的标准差则表示不满足比例风险假定。从上图中可见，各协变量满足PH风险假设。?正常情况下，以上Schoenfeld残差（图中红色的点）应该与时间无关，如果残差与时间有相关趋势，则违反PH假设的证据。残差图上，横轴代表时间，如果残差均匀的分布，则表示残差与时间相互独立。

5．小结

   当然，实现生存分析可视化的方法还有很多，比如：SPSS、Graphpad Prism等多种作图工具，小伙伴们可以依据自己的爱好自行选择哦。