基于 R语言的基层门诊用药大数据分析

合集下载

如何使用R语言进行数据分析

如何使用R语言进行数据分析在科技发展、网络时代当下，大数据的应用越来越广泛，数据分析成为重要的技能之一。

数据分析是指将大量数据进行收集、处理和分析，提炼有用信息并做出推断或预测。

而R语言是一种强大的数据分析工具，为数据科学家、分析师、研究人员等提供了丰富的功能和实用的工具。

为了更好地使用R语言进行数据分析，我们需要了解以下几个方面：一、安装和配置R语言R语言官网提供了Windows、Mac OS X和Linux三个版本的安装包。

我们可以根据自己的电脑系统选择合适的版本。

安装完成后，我们还需要配置一些基本设置，例如设置R语言的工作目录、计算器的精度等。

二、R语言的基本语法和数据类型学会R语言的基本语法和数据类型是进行数据分析的基础。

R语言的基本数据类型包括：向量、列表、矩阵、数据框和因子。

而R语言中的基本操作符包括：赋值、算数运算符、逻辑运算符、比较运算符等。

三、使用R语言进行数据可视化数据可视化在数据分析中起到了至关重要的作用。

R语言提供了许多数据可视化的工具包，例如ggplot2等。

我们可以使用这些工具包来制作各种类型的图表和统计图形，以更加形象、直观地展示数据。

同时，R语言提供了交互式图形功能，使数据可视化变得更加灵活和自由。

四、R语言的数据分析工具包R语言强大的数据分析工具包使得数据分析更加高效、准确。

其中常用的数据分析工具包包括：dplyr、tidyr、plyr、openxlsx、tidyverse等。

这些工具包提供了各种数据处理和分析的功能，例如数据清洗、数据转换、数据筛选、聚合操作等。

五、常见数据分析方法的R语言实现在数据分析中，我们需要使用各种统计学方法、机器学习方法等。

R语言提供了大量的包和函数来实现这些方法。

例如，我们可以使用lm()函数实现线性回归、使用kmeans()函数实现聚类分析、使用randomForest()函数实现随机森林等。

六、R语言的调试和优化在进行数据分析过程中，我们常常会遇到各种错误和问题。

学会使用R语言进行数据分析

学会使用R语言进行数据分析随着信息时代的快速发展，大量的数据正在以爆炸性的速度产生。

数据分析作为一种强大的工具，被广泛应用于各个领域。

而学会使用R语言进行数据分析，将为我们提供一种高效、灵活的解决方案。

本文将介绍R语言的基本特点、数据分析流程以及一些常用的数据分析技巧。

R语言作为一种统计软件和编程语言，以其强大的数据分析功能和丰富的数据处理包闻名于世。

相比其他数据分析工具，R语言有以下几个优点：首先，R语言是免费且开源的，任何人都可以免费下载和使用。

其次，R语言具有丰富的数据分析和数据可视化函数，使得分析人员可以方便地进行数据探索和数据展示。

另外，R语言支持编程，可以编写复杂的数据分析程序，实现自动化和批量化处理。

最后，R语言拥有一个强大的社区和用户群体，可以从中获取各种丰富的学习资源和实战经验。

数据分析的流程通常包括数据获取、数据清洗、数据探索、模型建立和模型评估等几个步骤。

以下将逐步介绍R语言在每个环节中的应用。

首先是数据获取。

R语言提供了多种方式来导入数据，如从CSV、Excel、数据库等各种格式中导入数据。

通过读取数据文件命令，我们可以将外部数据导入到R中，并创建数据框（data frame）来存储和处理数据。

接下来是数据清洗。

在实际应用中，原始数据往往存在各种问题，如缺失值、异常值、重复值等。

R语言提供了丰富的函数和包来处理这些问题。

可以使用函数来检测和处理缺失值，使用异常值检测方法来找出和处理异常值，使用去重函数来删除重复值等。

数据探索是数据分析的关键步骤之一。

R语言提供了各种统计函数和可视化函数，可以对数据进行深入的探索和分析。

可以通过描述性统计、频次分析、相关性分析、箱线图等方法来了解数据的特征和关系。

此外，R语言还支持绘制各种图表和图形，如散点图、折线图、饼图等，帮助我们更直观地理解数据。

模型建立是数据分析的核心环节。

R语言提供了各种统计模型和机器学习算法，可以用于构建模型和预测。

基于R语言主成分分析的医疗数据挖掘与预测研究

基于R语言主成分分析的医疗数据挖掘与预测研究医疗数据挖掘与预测研究是一个重要的领域，它对于改善医疗服务和优化健康管理起着关键作用。

本文将介绍如何利用R语言中的主成分分析方法对医疗数据进行挖掘与预测，以提供有价值的信息和知识，帮助医疗决策和预测健康结果。

首先，我们需要明确医疗数据挖掘的目标。

在医疗领域，我们常常关注疾病的预测、患者分类和治疗效果评估等问题。

这些问题都可以转化为数据挖掘的任务，通过分析和挖掘医疗数据中的有价值模式和规律来预测患者的健康状况和治疗效果。

主成分分析（Principal Component Analysis，PCA）是一种常用的数据降维和特征提取方法。

它通过线性变换将原始数据转换为一组互相独立的主成分，从而减少数据维度并保留数据中的主要信息。

在医疗数据挖掘中，我们可以利用PCA来对医疗数据进行降维处理，便于后续的模式识别和预测分析。

接下来，我们将介绍使用R语言进行医疗数据挖掘与预测的具体步骤。

首先，我们需要导入R语言中的必要库和数据。

可以使用如下代码：```R# 导入必要库library(caret)library(e1071)# 导入数据data <- read.csv("medical_data.csv")```在导入数据后，我们需要对数据进行预处理，包括缺失值处理、异常值处理、数据标准化等。

下面是一个示例：```R# 处理缺失值data <- na.omit(data)# 处理异常值filtered_data <- data[apply(data, 2, function(x) !any(x %in% c(-999, -9999))), ]# 数据标准化scaled_data <- scale(filtered_data)```数据预处理完成后，我们可以开始应用主成分分析方法。

下面是一个示例：```R# 应用主成分分析pca <- prcomp(scaled_data)# 输出主成分分析结果summary(pca)```主成分分析结果包括各个主成分的方差贡献率和累计方差贡献率。

使用R语言的医学统计分析

使用R语言的医学统计分析医学统计分析是医学领域的一项重要工作，它可以在研究中帮助识别有意义的差异，进一步理解医学领域的现象和变量。

R语言是一种经典的统计分析工具，具有强大的计算能力、灵活的语法和丰富的数据可视化能力。

在这篇文章中，我们将探讨如何使用R语言进行医学统计分析，以及如何应用R语言解决医学领域面临的常见问题。

一、R语言的用途R语言是一种自由、开源的计算机语言和计算机环境，主要用于统计分析、数据可视化和数据科学。

在医学领域，R语言可以用于疾病发病率、生存分析、危险比、灵敏度和特异性等方面的研究，帮助医学专业人士发现疾病的病因，预测疾病的发展趋势，实现更好的治疗效果和照顾。

二、数据分析R语言可用于数据分析，例如在医学领域中数据可视化。

这可以使分析人员清晰地看到数据，进而更好地理解数据，数据可视化可以采用折线图，直方图和散点图等。

分析人员可以使用R语言的语法编写代码，使数据可视化成为一项快速和简单的任务。

此外，R语言在医学领域中广泛使用的统计测试包括卡方检验、学生t检验和方差分析等。

这些测试可以对数据集进行假设检验，以确保数据集的均衡和一致性。

三、生存分析生存分析是医学领域的重要研究内容，主要用于研究人口群体在某个时间点后生存的概率。

在生存分析中经常使用的术语包括生存曲线、危险比、KM估计和Cox比例风险模型等。

这些术语应用于各种感兴趣的截止日期，例如死亡、失去追踪、复发和失效等。

四、协方差分析协方差分析是医学领域常见的经典统计分析方法之一。

在此分析法中，研究人员通过移除未协调因素（例如平均值和稳态）来统计变化的趋势。

研究人员通过区分不同的分组对象以及动态、交互和移动性（例如性别、收入和健康状况）来分析协方差。

协方差分析是医学领域中重要的研究工具之一。

五、应用实例以下是R语言应用于医疗分析中的几个实例。

1、癌症数据分析R语言可以用来对癌症病例数据进行分析。

例如，R语言可以使用生存分析方法研究肝癌患者的生存率，并比较化疗对生存率的影响。

使用R语言进行机器学习算法在医疗领域的应用研究

使用R语言进行机器学习算法在医疗领域的应用研究一、引言随着人工智能技术的不断发展，机器学习算法在医疗领域的应用越来越广泛。

R语言作为一种专业的数据分析和统计软件，具有丰富的机器学习算法库，被广泛运用于医疗数据的分析和挖掘。

本文将探讨使用R语言进行机器学习算法在医疗领域的应用研究。

二、医疗数据的特点医疗数据通常具有数据量大、维度高、噪声多等特点，传统的统计方法已经无法满足对这些复杂数据的分析需求。

而机器学习算法能够通过对大量数据的学习和训练，挖掘出隐藏在数据背后的规律和模式，为医疗决策提供更加科学准确的依据。

三、R语言在医疗领域的优势丰富的机器学习算法库：R语言拥有丰富的机器学习算法库，包括但不限于决策树、支持向量机、神经网络等算法，可以满足不同医疗场景下的需求。

优秀的可视化能力：R语言通过ggplot2等可视化包，可以直观地展示医疗数据的特征和模型结果，帮助医护人员更好地理解数据。

开源免费：R语言是开源免费的软件，降低了医疗机构在软件采购上的成本，同时也促进了学术界对医疗数据分析方法的研究和交流。

四、常见的机器学习算法在医疗领域的应用决策树算法：决策树算法可以根据患者的各项指标，预测其患某种疾病的风险。

通过构建决策树模型，可以帮助医生进行早期干预和治疗。

支持向量机算法：支持向量机算法在医疗图像识别中有着广泛的应用，可以帮助医生准确诊断肿瘤、结节等病变。

神经网络算法：神经网络算法可以通过对大量患者数据的学习，建立患者预后模型，帮助医生制定个性化治疗方案。

五、案例分析以肺部CT影像诊断为例，我们使用R语言中的深度学习框架keras，构建一个卷积神经网络模型来实现肺部结节检测。

首先，我们加载肺部CT影像数据集，并对数据进行预处理和增强；然后，构建卷积神经网络模型，并进行训练和验证；最后，评估模型性能并进行结节检测。

示例代码star：编程语言：r# R代码示例library(keras)model <- keras_model_sequential() %>%layer_conv_2d(filters = 32, kernel_size = c(3, 3), activation = 'relu', input_shape = c(64, 64, 3)) %>% layer_max_pooling_2d(pool_size = c(2, 2)) %>%layer_flatten() %>%layer_dense(units = 128, activation = 'relu') %>%layer_dense(units = 1, activation = 'sigmoid')model %>% compile(loss = 'binary_crossentropy',optimizer = optimizer_rmsprop(),metrics = c('accuracy'))model %>% fit(x_train, y_train,epochs = 10,batch_size = 32,validation_data = list(x_val, y_val))示例代码end六、总结与展望本文探讨了使用R语言进行机器学习算法在医疗领域的应用研究。

R语言在医疗数据挖掘与分析中的应用研究

R语言在医疗数据挖掘与分析中的应用研究一、引言随着医疗信息化的发展和医疗大数据的快速增长，如何高效地挖掘和分析医疗数据成为了医疗领域的重要课题。

R语言作为一种强大的统计分析工具，被广泛运用于医疗数据挖掘与分析中。

本文将探讨R 语言在医疗领域的应用现状以及未来发展趋势。

二、R语言在医疗数据处理中的优势R语言作为一种开源的统计分析工具，具有以下优势： - 丰富的数据处理函数：R语言拥有丰富的数据处理函数，可以方便地对医疗数据进行清洗、转换和整合。

- 强大的可视化能力：R语言通过ggplot2等包提供了强大的数据可视化功能，可以直观地展示医疗数据的特征和规律。

- 丰富的统计分析方法：R语言集成了各种统计分析方法，可以帮助医疗领域从业者进行深入的数据分析和挖掘。

三、R语言在医疗数据挖掘中的应用案例1. 医疗数据清洗利用R语言可以对医疗数据进行清洗，包括缺失值处理、异常值检测等，确保数据质量符合分析要求。

2. 医疗数据可视化通过R语言强大的可视化功能，可以将医疗数据以图表形式展示出来，帮助医务人员更直观地理解数据背后的含义。

3. 医疗数据建模利用R语言进行医疗数据建模，可以构建预测模型、分类模型等，帮助医务人员进行风险评估和决策支持。

4. 医疗数据挖掘通过R语言进行聚类分析、关联规则挖掘等技术，可以发现医疗数据中隐藏的规律和关联，为临床实践提供参考依据。

四、未来展望随着人工智能和大数据技术的不断发展，R语言在医疗领域的应用前景十分广阔。

未来，我们可以期待R语言在医疗影像识别、个性化治疗方案制定等方面发挥更大作用，为提升医疗服务质量和效率做出更多贡献。

五、结论综上所述，R语言在医疗数据挖掘与分析中具有重要意义和广泛应用前景。

通过不断深入研究和实践，相信R语言将为医疗领域带来更多创新和突破，推动整个行业迈向数字化、智能化时代。

希望本文能够对读者了解R语言在医疗领域的应用有所帮助，并激发更多人投身于这一领域的研究与实践。

基于R语言的A医院大数据应用案例分析

基于R语言的A医院大数据应用案例分析4.1案例背景1949年之后的建国初期，我国公立医院方面实行的模式是：计划管理模式，也就是对患者收取低价（接近甚至是低于成本价格）的医疗服务费和（接近甚至是低于成本价格）药品成本费。

但是长此以往，在这种经营模式下，公立医院的总是入不敷出，出现经营亏损的情况。

并且随着社会的进一步发展，对于医疗服务的诉求得到了提升，长此以往政府会出现弊端。

于是，在1954年初期的时候，政府财政负担越来越重。

因此，为缓解政府财政对公立医院补助不足的压力，中华人民共和国启动药品加成的一些相关的政策，也就是县以上公立的医疗机构在进行销售药品的时候，可以选择以成本为基础，以一定的加价率，来实施或者制定相关的药品价格。

但是随着加成药品的出现，一些公立医院渐渐的出现了滥收费的模式，严重的影响居民的看病体验；21世纪初期，国家鉴于加成药品的情况越来越严重，已经出台了一些相应的政策来控制，本文的案例分析，就是某A公立医院的加成药品的分析。

4.2案例分析本文选择的研究对象是针对 A 公立医院，数据是：西药入库数据；时间是：2013-2016；研究该案例的目的是，分析 A 公立医院药品在进行售出的时候，究竟是否依然存在加成情况。

其中R软件是一款数据集可视化的开源软件，R软件的优势在于数据分析人员使用R程序语言对数据集进行处理，通过R软件的强大功能来展示出可视化的图像，用起来灵活多样，能够更加清晰的展现出该案例中药品是否依然存在加成的情况。

具体工作流程如下图所示（参见图4.1）：图4.1 工作流程根据图4.1 工作流程可以看出工作流程主要分为三个步骤：前置操作主要是为了获得前期数据，以及数据存储；数据分析主要就是基于R语言对于需要的信息进行挖掘，然后统计分析，进而可以得到我们需要的信息，最后将分析得到的结果运用R语言进行可视化展示。

4.2.1 RStudio前置操作1）改变R 软件工作目录本文在应用R 软件具体的实施开展数据分析之前，第一步要进行的是通过改变R 软件工作目录，来简化接下来的操作；具体操作时，先指定电脑硬盘中的具体的一个目录（任何一个盘都可以）作为R 软件具体工作时候的工作目录，这样在打开数据文件的时候，就不必要继续写路径操作了，进而达到简化操作的目的，具体的改变R 软件工作目录的操作方法如下图所示（参见图4.2）：图4.2 改变R 软件工作目录2）导入表格接着在数据分析之前，必须将所必须处理的数据应用R 软件读取；读取数据的时间节点为2013-2016，当然也包括了在这期间期间全部的西药入库的具体的数据，对于具体的读取数据的代码也就是DAX表达式如下所示（参见图4.3）：图4.3 读取数据的代码4.2.2数据分析导入成功数据之后，就可以具体实施运行了；在R 软件中运行图4.2读取数据代码的DAX表达式，通过R 软件具体数据分析，就可以得到在时间范围是2013-2016 的时候；A公立医院之内全部的加成药品；还有这些加成药品的信息也将变得一目了然；具体数据分析后结果如下图所示（参见图4.4）：图4.4 加成药品以及一些相关信息从图中 4.3 加成药品以及一些相关信息可以具体看出来；在时间范围是2013-2016 的时候；A公立医院之内其实每年都会产生药品加成的情况，并且阅读最后一栏的数据；在出现的这些药品加成的情况之中，2013年最为严重有18种加成药品出现；；2016年最好仅仅只有2种加成药品出现；并且从具体药品种类出发，可以发现复合维生素B药品加成的情况最多。

R语言与大数据

R语言与大数据R语言是一种用于统计分析和数据可视化的编程语言，而大数据是指规模庞大、复杂度高且难以处理的数据集合。

R语言在大数据分析中具有广泛的应用，并且有许多工具和包可以帮助处理大规模数据集。

一、R语言在大数据分析中的应用1. 数据导入和清洗：R语言提供了许多函数和包，可以方便地导入各种数据格式，如CSV、Excel、数据库等。

同时，R语言也提供了数据清洗的功能，可以去除重复值、处理缺失值、转换数据类型等。

2. 数据处理和转换：R语言提供了丰富的函数和包，可以对大规模数据进行处理和转换。

例如，可以使用dplyr包进行数据筛选、排序、分组和汇总操作；使用tidyr包进行数据的整理和重塑；使用stringr包进行字符串处理等。

3. 数据分析和建模：R语言拥有丰富的统计分析和机器学习的函数和包，可以进行各种数据分析和建模。

例如，可以使用lm函数进行线性回归分析；使用randomForest包进行随机森林建模；使用caret包进行模型选择和评估等。

4. 数据可视化：R语言提供了强大的数据可视化功能，可以创建各种类型的图表和图形。

例如，可以使用ggplot2包创建漂亮的统计图表；使用plotly包创建交互式图形；使用leaflet包创建地图可视化等。

二、R语言处理大数据的工具和包1. dplyr包：dplyr包提供了一组简洁而一致的函数，用于对数据进行筛选、排序、分组和汇总操作。

它使用了延迟计算和内存优化技术，可以高效地处理大规模数据集。

2. data.table包：data.table包是一个用于快速处理大型数据集的工具。

它提供了高性能的数据操作和查询功能，并且支持并行计算和内存优化。

3. sparklyr包：sparklyr包是R语言与Apache Spark的接口，可以使用R语言进行大规模数据处理和分析。

它提供了一套类似于dplyr的API，可以方便地操作Spark数据集。

4. bigmemory包：bigmemory包提供了一种将大型数据集存储在内存中的方法，以便在R语言中进行高速访问和处理。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＳｉｃｈｕａｎＧｒａｓｓＲｏｏｔＭｅｄｉｃｌａＩｎｓｔｉｔｕｔｉｏｎｓ．ＴｈｅｉｒｂｉｇｄａｔａｗｅｒｅａｎｌｙａｚｅｄｕｓｉｎｇＲｌａｎｇｕａｇｅ．ＲｅｓｕｌｔｓＴｈｅｃｏｍｍｏｎｌｙｐｒｅ —
过四川省基层医疗机构管理信息系统，提取某县５个乡镇卫生院门诊２０１２年９月一２０１４年３月用药，采用Ｒ语言对门诊大数
据进行分析。结果：基层门诊使用最多的是维生素Ｂ６片、维生素ｃ片、头孢克肟分散片等类药物，药品合并使用情况明显。结论：利用信息技术手段，通过统一的基层医疗机构管理信息系统，可加强卫生行政部门对基层用药监管，促进基层合理
ｓｃｉｒｂｅｄｄｕｇｒｓｉｎｃｌｉｎｉｃｓｗｅｒｅｖｉｔａｍｉｎＢ６，ｖｉｔａｍｉｎＣｎｄａｃｅｉｆｘｉｍｅｔａｂｌｅｔｓ，ｗｈｉｃｈｗｅｒｅｕｓｕｌｌａｙｕｓｅｄｉｎｃｏｍｂｉｎａｔｉｏｎ．ＣｏｎｃｌｕｓｉｏｎＨｅａｌｔｈａｄｍｉｎｉｓｔｒａｔｉｖｅｏｒｇａｎｉｚａｔｉｏｎｓｃａｎｓｔｒｅｎｇｔｈｅｎｔｈｅｉｒｓｕｐｅｒｖｉｓｉｏｎａｎｄｍａｎａｇｅｍｅｎｔｏｆｐｒｅｓｃｉｂｒｅｄ
用药。
［关键词】Ｒ语言；门诊用药；大数据；卫生院；数据挖掘；关联分析
［中图分类号］ＴＰ３１２；Ｒ－０５８；Ｒ９６
［文献标志码］Ａ
［文章编号］１６７１ — ３９８２（２０１５）０３ — ００５４ — ０５
・
医院信息管理・
基于Ｒ语言的基层门诊用药大数据分析
Hale Waihona Puke 王帅。林晓东，沈明辉。邓韧，毛云鹏。冯昌琪。陈文。龙虎
［摘要］目的：利用卫生信息技术探索基层医疗卫生机构门诊用药规律，为卫生管理决策和临床合理用药提供依据。方法：通
Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ：ＬＯＮＧＨｕ
［Ａｂｓｔｒａｃｔ］ＯｂｊｅｃｔｉｖｅＴｏｐｒｏｖｉｄｅｔｈｅｅｖｉｄｅｎｃｅｆｏｒｈｅＭｔｈｍａｎａｇｅｍｅｎｔｄｅｃｉｓｉｏｎ — ｍａｋｉｎｇａｎｄｒａｔｉｏｎａｌｕｓｅｏｆｄｒｕｇｓ
ｈｅｌｔａｋｃｅｎｔｅｒｓｆｒｏｍＳｅｐｔｅｍｂｅｒ２０１２ｔｏＳｅｐｔｅｍｂｅｒ２０１４ｗｅｒｅｒｅｔｉｒｅｖｅｄｒｏｆｍＴｈｅＭａｎａｇｅｍｅｎｔＩｎｆｏｍａｒｔｉｏｎＳｙｓｔｅｍｏｆ
・
５４・
中华医学图书情报杂志２０１５年３月第２４卷第３期
ＣｈｉｎＪＭｅｄＬｉｂｒＩｎｆＳｃｉ，Ｖｏ１．２４Ｎｏ．３Ｍａｒｃｈ，２０１５
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７１－３９８２．２０１５．０３．０１４
ｇｒａｓｓｒｏｏｔｃｌｉｎｉｃｓｂｙｓｔｕｄｙｉｎｇｔｈｅｉｒｄｒｕｇｐｒｅｓｃｉｐｒｔｉｏｎｕｌｒｅｓ．ＭｅｔｈｏｄｓＴｈｅｐｒｅｓｃｉｒｂｅｄｄｕｇｒｓｉｎｃｌｉｎｉｃｓｏｆ５ｔｏｗｎｓｈｉｐ
Ｒｌａｎｇｕａｇｅ－ｂａｓｅｄａｎａｌｙｓｉｓｏｆｂｉｇｄａｔａａｂｏｕｔｄｒｕｇｓｐｒｅｓｃｒｉｂｅｄｉｎｇｒａｓｓｒｏｏｔｃｌｉｎｉｃｓＷＡＮＧＳｈｕａｉ，ＬＩＮＸｉａｏ－ｄｏｎｇ，ＳＨＥＮＭｉｎｇ－ｈｕｉ，ＤＥＮＧＲｅｎ，ＭＡＯＹｕｎ－ｐｅｎｇ，ＦＥＮＧＣｈａｎｇ—ｑｉ，ＣＨＥＮＷｅｎ，ＬＯＮＧＨｕ
（ＳｉｃｈｕａｎＰｒｏｖｉｎｃｉａｌＨｅａｌｔｈＩｎｆｏｒｍａｔｉｏｎＣｅｎｔｅｒ，Ｃｈｅｎｇｄｕ６１００４１，ＳｉｃｈｕａｎＰｒｏｖｉｎｃｅ，Ｃｈｉｎａ）