在医院随访数据、药物临床试验、甚至电商用户流失研究里，经常要回答一个问题：‘病人活了多久？’‘用户用了多久就卸载APP？’这类带‘时间+结局’的数据，不能简单用t检验或卡方来处理——得上生存分析。
为什么表格软件搞不定？
Excel 或 WPS 表格能算平均值、画折线图，但生存分析的核心是‘删失数据’（比如随访还没结束人就失联了）。普通表格函数压根不认这个概念，一算中位生存期就出错。这时候，R 就是那个拎着小板凳坐进统计现场的靠谱同事。
三步跑通一个真实例子
假设你手上有份肺癌患者随访表：列名是 time（存活月数）、status（1=死亡，0=删失）、treatment（A药/B药）。把它存成 CSV，比如 lung.csv。
打开 RStudio，粘贴这三段代码：
library(survival)
library(survminer)
# 读数据 + 建生存对象
dat <- read.csv("lung.csv")
surv_obj <- Surv(time = dat$time, event = dat$status)
# 分组画K-M曲线
fit <- survfit(surv_obj ~ dat$treatment)
ggsurvplot(fit, data = dat, risk.table = TRUE)回车运行，立刻弹出一张带置信区间的生存曲线图，下方还自动配了风险人数表——这就是表格技巧栏目里最实用的‘动态生存表格’：它不是静态截图，而是随数据更新实时重绘的交互式表格基底。
再加一行，p值就有了
想知道A药和B药效果差异是否显著？在上面代码末尾补一句：
surv_diff <- survdiff(surv_obj ~ dat$treatment)
print(surv_diff)输出里的 Chisq 对应的 p 值，就是 Log-rank 检验结果。不用查表、不用手动算卡方，R 把统计学‘脏活’全包了，你只管看数字说话。
提醒一句：别把 status 列填成‘死亡/存活’文字，R 只认 0 和 1；时间单位统一用‘月’或‘天’，别混着来——这些细节，恰恰是表格导入R前最容易翻车的地方。