企业官网建设流程全解析

做临床预测模型的朋友，应该没人不知道列线图（Nomogram）。它能把Logistic回归或Cox回归的每个预测变量系数换算成分数，然后把总分映射到结局概率轴上，一张图说清楚“谁对结局影响大、每个患者的风险有多高”。这东西临床医生爱用、审稿人看着也舒服，但真正上手去画的人，十有八九会卡在一个细节上：变量标签。最常见的求助帖就是“代码我已经改了，把mpg换成了‘油耗’，但是图出来还是老样子，还是显示原来的变量名/数字”，而且往往越改越乱。

这篇文章不绕弯子，直接把我踩过的坑、试出来的三种正解、五个排查点全部整理出来。先说清楚一个容易混淆的概念：列线图上那些Points轴的刻度值（0、10、20、50、100），它们本来就是数字，也是整个图的核心结果，不该动也动不了。真正需要改的是变量的“显示名称”——比如把mpg这个代码风格的变量名，显示成“油耗（每加仑英里数）”，把disp显示成“排量（立方英寸）”。下面所有方法，围绕的都是这件事。

1. 先弄明白：列线图上的标签到底从哪来

1.1 一行列线图的完整诞生过程

要说清楚标签问题，得先把R语言里列线图的生成链路捋一遍。以最常用的rms包为例，标准流程是这样的：

library(rms) data(mtcars) dd <- datadist(mtcars) options(datadist = "dd") fit <- lrm(vs ~ mpg + disp, data = mtcars) nom <- nomogram(fit) plot(nom)

这条链路可以拆成四步：数据准备、模型拟合、构建nomogram对象、绘图。其中变量标签默认来自第二步的模型公式。你在lrm(vs ~ mpg + disp)里写了mpg，那么后面所有环节都会拿着“mpg”这个名字到处用，最后画在图上就是“mpg”。

这一步的标签来源是“模型公式里的变量名”，而不是数据框的列名，也不是你在某个地方随意指定的字符串。这个认知非常重要，因为很多人的修改思路从一开始就偏了。

1.2 为什么只改数据框列名经常没反应

我见过特别多的人，包括我自己早期，都这么干过：直接改数据框的列名，把mpg改成“油耗”，然后满怀期待地重跑一遍，图还是显示“mpg”。

原因有两层。第一层，如果你改的是数据框的列名，但模型公式里写的还是mpg，那R在拟合时根本找不到这个变量，会直接报错，根本走不到画图那一步。第二层，如果你改的是数据框的列名，也同步改了公式，比如写lrm(vs ~ 油耗 + 排量, data = mtcars)，那图确实会显示中文标签——但代价是模型代码变得很不优雅，而且后续做外部验证、批量跑模型时，公式里的中文名容易带来各种奇奇怪怪的编码兼容问题。

还有一种更隐蔽的情况：你改的是某个数据副本的列名，比如先d <- mtcars，然后改了d的列名，再用mtcars去拟合，那肯定不生效。这种错误等你回头看代码时，通常很难发现，因为人眼会自动略过“data = mtcars”这种相近的写法。

所以，改列名不是不能用，但它是风险最高、最容易被半路出错的方法，不推荐作为首选。下面讲的正解，每一种都比它稳。

2. 正解一：在nomogram()里直接指定标签（最快方案）

2.1 单变量快速替换

rms包的nomogram()函数留了一个非常方便的口子：你可以直接在函数调用里写“变量名 = 标签文字”。看代码：

nom <- nomogram(fit, mpg = "油耗（每加仑英里数）", disp = "排量（立方英寸）") plot(nom)

就这么简单。nomogram()里除了fun、funlabel这些固定参数之外，剩余的参数会被转交给内部的标签处理函数，而形如mpg = "xxx"这种命名参数，会被自动识别为“给mpg这个变量指定显示标签”。

这个方案适合什么时候用？临时改一两次、想要快速出图、或者不同场景下同一模型需要不同标签的时候。比如你同一个模型要写两版报告，一版给临床医生看，标签写“体重指数（kg/m²）”；一版放进技术文档，标签写“BMI”。这种情况下，直接传参是最灵活的。

2.2 顺带把总评分轴、概率轴的标题也改了

列线图不止有变量轴，还有右侧的分值轴和风险概率轴。这些轴的标题默认是英文，同样可以一次改掉：

nom <- nomogram(fit, fun = plogis, funlabel = "直列发动机概率", lp.label = "线性预测得分", mpg = "油耗（每加仑英里数）", disp = "排量（立方英寸）") plot(nom, points.label = "得分", total.points.label = "总分")

这里有几个参数要解释一下。

fun = plogis指的是把线性预测值（logit尺度）转换成概率的数学函数。如果你的模型是lrm()拟合的二分类Logistic回归，线性预测值lp = logit(p)，那么plogis就是把lp变换回概率p，所以概率轴的范围是0到1。如果你的模型是Cox回归，fun就不能用plogis了，而要根据生存函数来写，比如fun = function(x) 1 - surv(exp(x))，这一块属于进阶内容，这里先不展开。

funlabel = "直列发动机概率"是概率轴的标题文字。lp.label控制线性预测轴的标题。points.label和total.points.label则是在plot()阶段修改的，分别对应“单项得分”和“总评分”两个轴。

需要注意：这些参数必须在正确的阶段调用。fun、funlabel、lp.label、mpg = "..."这些是nomogram()函数的参数；而points.label、total.points.label是plot()函数的参数。写错了阶段，轻则没效果，重则直接报unused argument错误。

3. 正解二：把标签写进数据框变量属性（一劳永逸方案）

3.1 label()函数：给变量贴上永久名牌

如果你正在做一套完整的预测模型，后面还有校准曲线、DCA决策曲线、外部验证要做，那么强烈推荐用Hmisc/rms自带的label()函数，给变量提前贴上“名牌”。

library(rms) label(mtcars$mpg) <- "油耗（每加仑英里数）" label(mtcars$disp) <- "排量（立方英寸）" dd <- datadist(mtcars) options(datadist = "dd") fit <- lrm(vs ~ mpg + disp, data = mtcars) nom <- nomogram(fit, fun = plogis, funlabel = "直列发动机概率") plot(nom)

这段代码里的关键点是：在拟合模型之前，先给数据框里的变量设置label属性。这样拟合出来的模型对象里就自带了变量标签，后续nomogram()、calibrate()、validate()等一系列函数在输出图形或表格时，都会自动显示这个标签，不用每次画图都重新传一遍。

这个方案的好处是“一处设置，处处生效”。你不用每次调用nomogram()时都写一长串mpg = "..."，也不怕同一个变量在不同图上叫法不一致。整个项目的标签管理变得可控。

一个小提醒：label()设置的是数据框变量本身的属性。如果你改了某个局部变量或者数据副本，同样不会生效。所以建议在数据清洗完成之后、建模之前，统一用label()把所有关键变量的标签设置好，这是一条值得养成的工作习惯。

3.2 如果前面的招都失效：直接改nomogram对象内部

有时候会遇到一种特殊情况：模型是别人写的，或者代码是从某个脚本里复制的，你不方便去动数据准备那一段，只想快速把图画出来。这时候可以直接修改nomogram()返回的对象内部结构。

nom <- nomogram(fit, fun = plogis, funlabel = "直列发动机概率") names(nom) # 返回值大致是： # [1] "Points" "mpg" "disp" # [4] "Total Points" "Linear Predictor" "直列发动机概率"

nom本质上是一个list，它内部有一个names向量，保存着每个部件在图上显示的文字。直接对这个向量做替换，再重新plot()，就能强制显示你要的文字：

names(nom)[2] <- "油耗（每加仑英里数）" names(nom)[3] <- "排量（立方英寸）" plot(nom)

这个“兜底方案”还有一个实用的场景：当plot()出来的某个标签位置不太对，你想单独调整某一个名字，而不影响其他部分，直接改names再plot是最省事的。

不过要提醒，names(nom)里各元素的位置会随着模型的形式、是否设置了lp、是否设置了fun而变化。动手之前先跑一遍names(nom)看清楚再改，别想当然地认为第2个一定是mpg。如果你改了第2个元素，但图上第2个轴其实是disp，那画面就会很有意思。

4. 正解三：换用regplot包，图形更漂亮、标签更直观

4.1 regplot的基本用法

如果前面这些你都懒得记，还有个更现代的选择：regplot包。它专门用来绘制回归模型的可视化列线图，支持rms拟合对象（包括lrm、cph等），出图风格更接近ggplot2，还支持交互式探索。它的基本用法是：

library(regplot) regplot(fit, data = mtcars, plots = c("bar", "no"), title = "直列发动机预测列线图")

出来的图跟plot(nomogram(...))长得不太一样，但信息量是等价的。它会把每个变量的取值分布画成条形图，分值轴标注也更清晰。很多做过预测模型的朋友看完第一眼，就被它圈粉了。

4.2 标签控制的两种方式

regplot在标签处理上比rms更直接。第一种方式是直接传入一个自定义标签向量：

regplot(fit, data = mtcars, data.labels = c("油耗（每加仑英里数）", "排量（立方英寸）"), plots = c("bar", "no"), title = "直列发动机预测列线图")

注意data.labels的顺序，要和模型公式里变量的出现顺序保持一致。模型是vs ~ mpg + disp，那向量第一位就是mpg的标签，第二位是disp的标签。

第二种方式还是用label()给变量设置属性，regplot同样会自动识别：

label(mtcars$mpg) <- "油耗（每加仑英里数）" label(mtcars$disp) <- "排量（立方英寸）" regplot(fit, data = mtcars, plots = c("bar", "no"), title = "直列发动机预测列线图")

我对regplot的个人评价是：如果你只是画一两个静态列线图用于论文，rms原生方案完全够用；但如果你希望图面更精致、或者想让非统计背景的人直观看到变量分布，regplot会是更好的选择。

5. 改了代码图却没变？按这五个点逐一排查

5.1 确认是否重新执行了全部代码链路

这是所有“改了没反应”问题里最常见的原因。很多人改的是nomogram()或者plot()那几行，然后随手点了代码块右上角的Run，发现图没变，就开始怀疑是不是R的缓存问题。

真相往往是：你只重跑了plot()这一行，但nom这个对象还是之前用旧参数生成的。R里的变量不会因为你修改了后面某行代码就自动重新计算——它是按执行顺序逐行计算的。你改了nomogram()里的标签参数，就必须把从lrm()到nomogram()到plot()整个链路重新跑一遍，甚至从datadist()那行开始重新跑更稳妥。

建议把这一整段代码用RStudio左上角的“Source”按钮整体运行，或者Ctrl+A全选再运行，而不是一行一行点。

5.2 图形面板缓存：旧图还在，新的还没覆盖

还有一种情况更容易让人崩溃：代码确实全部重新执行了，没有报错，但RStudio右侧的Plots面板里显示的图标看起来跟上一版一模一样。这有两种可能：一是你调整的参数在视觉上本来就差别极小（比如字号从12改成12.5），二是RStudio的图形设备偶尔会“卡住”，没有立即刷新。

遇到这种情况，可以先执行dev.off()关掉当前图形设备，再重新plot()一次。有时候是因为图形设备的尺寸、分辨率没变，导致新图等在缓冲区里，而面板显示的是上一次渲染的位图缓存。dev.off()之后强制刷新，基本能解决。

如果dev.off()后还是没有，就检查一下有没有同时开了多个图形窗口。dev.list()可以看到当前所有图形设备编号，如果有一堆，先graphics.off()全部关掉，再跑一遍。

5.3 中文标签变成方块或乱码

标签设置成功，但图上显示的是“?????”或者一串方块，这是中文字体的问题，不是标签没生效。R的默认绘图设备对中文的支持不总是完美的，尤其是导出PDF、PNG时。

我给三个办法，按推荐程度排序。

第一个，使用showtext包：

library(showtext) showtext_auto() plot(nom)

showtext会把图形文本渲染交给系统字体处理，中文显示效果非常好，而且不需要手动指定字体，适合绝大多数场景。

第二个，在Windows下直接指定中文字体：

par(family = "STSong") # 或者 "SimSun"、"Microsoft YaHei" plot(nom)

第三个，导出图片时使用cairo_pdf：

cairo_pdf("nomogram.pdf", family = "STSong", width = 8, height = 6) plot(nom) dev.off()

cairo_pdf对中文兼容性极好，导出的PDF在编辑器和投稿系统中都不会乱码。这是我最常用的导出方案。

5.4 参数写进了错误的函数里

再来一个高频错误：把标签参数写进了plot()，而不是nomogram()。比如：

plot(nom, mpg = "油耗", funlabel = "概率") # 错误示范

plot.nomogram()函数里根本没有mpg这个参数，也不认识funlabel，R通常会报unused argument，或者在某些情况下参数被静默忽略。你以为是“改了没生效”，实际上是根本没改到正确的地方。

判断方法很简单：运行args(nomogram)和args(plot.nomogram)，把两个函数的参数列表拉出来对比。凡是涉及变量标签、概率轴标题、LP轴标题的，基本都在nomogram()阶段；凡是涉及全局标题、字体大小、坐标轴间距的，才归plot()管。

5.5 你看到的“数字”可能根本不是变量标签

最后这一步，是对问题本身的再确认。我遇到过不少使用者，一开始抱怨“图片里全是数字”，细聊之后发现他们指的是图上Points轴上的0、10、20、30这些刻度值，或者Total Points轴上的数字，而不是变量名。

这两类东西要分开看。Points轴和Total Points轴上的数字是列线图的核心输出，它们是模型系数经过缩放后的分数，必须数字化，没法也无需改成文字。真正能改成文字的，是每个预测变量轴旁边的名称文字，以及最右侧预测概率轴的标题。

如果图上变量轴显示的是mpg、disp这样的代码名，那就按前面第2、第3章的方法改；如果变量轴已经显示成了中文或你想要的英文，你只是觉得“怎么还是有很多数字”，那属于对列线图结构的误解，不需要任何修改。

6. 常见问题速查表

这张表基本覆盖了我个人遇到和帮别人排查过的所有典型场景。其中“设置标签后没有重新拟合模型”这个原因非常隐蔽，因为R不会提醒你label属性变了，但fit对象里保存的标签还停留在旧状态，除非你重新拟合一次，否则模型永远不会“知道”你改了什么。

如果未来你还会画多个模型的列线图，我的习惯做法是把标签设置、数据分布、模型拟合、列线图生成这几步封装成一个可复用的函数，比如：

draw_nomogram <- function(data, outcome, predictors, labels) { for (i in seq_along(predictors)) { label(data[[predictors[i]]]) <- labels[i] } dd <- datadist(data) options(datadist = "dd") f <- as.formula(paste(outcome, paste(predictors, collapse = "+"), sep = "~")) fit <- lrm(f, data = data) nom <- nomogram(fit, fun = plogis, funlabel = "结局发生概率") plot(nom) }

把这个函数放到项目的公共脚本里，之后每个模型调用一行就能出图，标签全部集中管理，再也不用手忙脚乱地一处一处改。

踩过几次坑之后，我最大的体会是：R语言里“代码改了但结果不变”，绝大多数都不是缓存的问题，而是对象生成顺序的问题。列线图的标签在模型拟合的那一刻就已经定下来了，后面所有步骤只是把既定信息“翻译”到图形上。理解了这一点，你自然就知道哪些参数该放哪、哪些环节要重新跑，以后再遇到这类问题，先冷静看代码执行流程，比盲目改参数有用得多。