for循环在r列表中的所有数据框中进行方差分析测试
for loop to conduct anova test in all dataframes in a list in r
我有我的数据框：
df <- read.table(text = "id G1 G2 G3 value
1 A D20 TAN 1
2 A D20 TAN 9
3 A D20 TAN 10
4 A D40 TAN 8
5 A D40 TAN 3
6 A D40 TAN 9
7 A D60 TAN 5
8 A D60 TAN 5
9 A D60 TAN 10
10 B D20 TAN 7
11 B D20 TAN 8
12 B D20 TAN 10
13 B D40 TAN 8
14 B D40 TAN 3
15 B D40 TAN 7
16 B D60 TAN 1
17 B D60 TAN 10
18 B D60 TAN 1
19 C D20 TAN 5
20 C D20 TAN 9
21 C D20 TAN 4
22 C D40 TAN 6
23 C D40 TAN 3
24 C D40 TAN 8
25 C D60 TAN 9
26 C D60 TAN 10
27 C D60 TAN 4
28 A D20 BBC 9
29 A D20 BBC 3
30 A D20 BBC 7
31 A D40 BBC 10
32 A D40 BBC 7
33 A D40 BBC 4
34 A D60 BBC 2
35 A D60 BBC 3
36 A D60 BBC 8
37 B D20 BBC 8
38 B D20 BBC 1
39 B D20 BBC 5
40 B D40 BBC 6
41 B D40 BBC 2
42 B D40 BBC 6
43 B D60 BBC 9
44 B D60 BBC 2
45 B D60 BBC 10
46 C D20 BBC 3
47 C D20 BBC 1
48 C D20 BBC 4
49 C D40 BBC 10
50 C D40 BBC 8
51 C D40 BBC 3
52 C D60 BBC 5
53 C D60 BBC 3
54 C D60 BBC 1",stringsAsFactors = FALSE, header = TRUE)
我通过以下方式创建了一个附加专栏：
df$Group<-paste(df$G2,df$G3)
然后我将 df 分成一个列表 Group:
L1<-split(df,df$Group)
现在我想对 L1 中的每个 table 进行方差分析检验和 Tukey 检验
例如：
a1<-aov(L1$`D20 BBC`$value~L1$`D20 BBC`$G1)
TukeyHSD(a1)
但只有一个table。如何使用 for 循环对 L1 中的所有 table 执行 aov 函数，然后对所有 TukeyHSD 执行 TukeyHSD 函数=18=] 结果?
您可以在 lapply 中完成此操作。
lapply(L1, function(x) with(x, TukeyHSD(aov(value ~ G1))))
实际上有一个函数 by 将函数应用于拆分数据框，因此您可以这样做：
by(df, df$Group, function(x) with(x, TukeyHSD(aov(value ~ G1))))
# diff lwr upr p adj
# B-A -1.666667 -8.752543 5.419210 0.7604243
# C-A -3.666667 -10.752543 3.419210 0.3205994
# C-B -2.000000 -9.085876 5.085876 0.6792890
# --------------------------------------------------------------------------------
# diff lwr upr p adj
# B-A 1.6666667 -6.725769 10.059102 0.8205065
# C-A -0.6666667 -9.059102 7.725769 0.9679553
# C-B -2.3333333 -10.725769 6.059102 0.6866510
# --------------------------------------------------------------------------------
# diff lwr upr p adj
# B-A -2.333333e+00 -9.895291 5.228624 0.6334637
# C-A 1.776357e-15 -7.561958 7.561958 1.0000000
# C-B 2.333333e+00 -5.228624 9.895291 0.6334637
# --------------------------------------------------------------------------------
# diff lwr upr p adj
# B-A -0.6666667 -7.703163 6.369830 0.9548296
# C-A -1.0000000 -8.036497 6.036497 0.9021379
# C-B -0.3333333 -7.369830 6.703163 0.9884428
# --------------------------------------------------------------------------------
# diff lwr upr p adj
# B-A 2.666667 -5.684119 11.017452 0.6148213
# C-A -1.333333 -9.684119 7.017452 0.8786205
# C-B -4.000000 -12.350785 4.350785 0.3681421
# --------------------------------------------------------------------------------
# diff lwr upr p adj
# B-A -2.666667 -12.441010 7.107677 0.6957155
# C-A 1.000000 -8.774344 10.774344 0.9475956
# C-B 3.666667 -6.107677 13.441010 0.5210071
tidyverse 方法可以是：
df %>%
group_split(Group, keep = FALSE) %>%
map(~ TukeyHSD(aov(value ~ G1, data = .)))
[[1]]
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = value ~ G1, data = .)
$G1
diff lwr upr p adj
B-A -1.666667 -8.752543 5.419210 0.7604243
C-A -3.666667 -10.752543 3.419210 0.3205994
C-B -2.000000 -9.085876 5.085876 0.6792890
加上broom的tidy()：
df %>%
group_split(Group, keep = FALSE) %>%
map(~ TukeyHSD(aov(value ~ G1, data = .))) %>%
map(tidy)
[[1]]
# A tibble: 3 x 6
term comparison estimate conf.low conf.high adj.p.value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 G1 B-A -1.67 -8.75 5.42 0.760
2 G1 C-A -3.67 -10.8 3.42 0.321
3 G1 C-B -2.00 -9.09 5.09 0.679
我有我的数据框：
df <- read.table(text = "id G1 G2 G3 value
1 A D20 TAN 1
2 A D20 TAN 9
3 A D20 TAN 10
4 A D40 TAN 8
5 A D40 TAN 3
6 A D40 TAN 9
7 A D60 TAN 5
8 A D60 TAN 5
9 A D60 TAN 10
10 B D20 TAN 7
11 B D20 TAN 8
12 B D20 TAN 10
13 B D40 TAN 8
14 B D40 TAN 3
15 B D40 TAN 7
16 B D60 TAN 1
17 B D60 TAN 10
18 B D60 TAN 1
19 C D20 TAN 5
20 C D20 TAN 9
21 C D20 TAN 4
22 C D40 TAN 6
23 C D40 TAN 3
24 C D40 TAN 8
25 C D60 TAN 9
26 C D60 TAN 10
27 C D60 TAN 4
28 A D20 BBC 9
29 A D20 BBC 3
30 A D20 BBC 7
31 A D40 BBC 10
32 A D40 BBC 7
33 A D40 BBC 4
34 A D60 BBC 2
35 A D60 BBC 3
36 A D60 BBC 8
37 B D20 BBC 8
38 B D20 BBC 1
39 B D20 BBC 5
40 B D40 BBC 6
41 B D40 BBC 2
42 B D40 BBC 6
43 B D60 BBC 9
44 B D60 BBC 2
45 B D60 BBC 10
46 C D20 BBC 3
47 C D20 BBC 1
48 C D20 BBC 4
49 C D40 BBC 10
50 C D40 BBC 8
51 C D40 BBC 3
52 C D60 BBC 5
53 C D60 BBC 3
54 C D60 BBC 1",stringsAsFactors = FALSE, header = TRUE)
我通过以下方式创建了一个附加专栏：
df$Group<-paste(df$G2,df$G3)
然后我将 df 分成一个列表 Group:
L1<-split(df,df$Group)
现在我想对 L1 中的每个 table 进行方差分析检验和 Tukey 检验
例如：
a1<-aov(L1$`D20 BBC`$value~L1$`D20 BBC`$G1)
TukeyHSD(a1)
但只有一个table。如何使用 for 循环对 L1 中的所有 table 执行 aov 函数，然后对所有 TukeyHSD 执行 TukeyHSD 函数=18=] 结果?
您可以在 lapply 中完成此操作。
lapply(L1, function(x) with(x, TukeyHSD(aov(value ~ G1))))
实际上有一个函数 by 将函数应用于拆分数据框，因此您可以这样做：
by(df, df$Group, function(x) with(x, TukeyHSD(aov(value ~ G1))))
# diff lwr upr p adj
# B-A -1.666667 -8.752543 5.419210 0.7604243
# C-A -3.666667 -10.752543 3.419210 0.3205994
# C-B -2.000000 -9.085876 5.085876 0.6792890
# --------------------------------------------------------------------------------
# diff lwr upr p adj
# B-A 1.6666667 -6.725769 10.059102 0.8205065
# C-A -0.6666667 -9.059102 7.725769 0.9679553
# C-B -2.3333333 -10.725769 6.059102 0.6866510
# --------------------------------------------------------------------------------
# diff lwr upr p adj
# B-A -2.333333e+00 -9.895291 5.228624 0.6334637
# C-A 1.776357e-15 -7.561958 7.561958 1.0000000
# C-B 2.333333e+00 -5.228624 9.895291 0.6334637
# --------------------------------------------------------------------------------
# diff lwr upr p adj
# B-A -0.6666667 -7.703163 6.369830 0.9548296
# C-A -1.0000000 -8.036497 6.036497 0.9021379
# C-B -0.3333333 -7.369830 6.703163 0.9884428
# --------------------------------------------------------------------------------
# diff lwr upr p adj
# B-A 2.666667 -5.684119 11.017452 0.6148213
# C-A -1.333333 -9.684119 7.017452 0.8786205
# C-B -4.000000 -12.350785 4.350785 0.3681421
# --------------------------------------------------------------------------------
# diff lwr upr p adj
# B-A -2.666667 -12.441010 7.107677 0.6957155
# C-A 1.000000 -8.774344 10.774344 0.9475956
# C-B 3.666667 -6.107677 13.441010 0.5210071
tidyverse 方法可以是：
df %>%
group_split(Group, keep = FALSE) %>%
map(~ TukeyHSD(aov(value ~ G1, data = .)))
[[1]]
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = value ~ G1, data = .)
$G1
diff lwr upr p adj
B-A -1.666667 -8.752543 5.419210 0.7604243
C-A -3.666667 -10.752543 3.419210 0.3205994
C-B -2.000000 -9.085876 5.085876 0.6792890
加上broom的tidy()：
df %>%
group_split(Group, keep = FALSE) %>%
map(~ TukeyHSD(aov(value ~ G1, data = .))) %>%
map(tidy)
[[1]]
# A tibble: 3 x 6
term comparison estimate conf.low conf.high adj.p.value
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 G1 B-A -1.67 -8.75 5.42 0.760
2 G1 C-A -3.67 -10.8 3.42 0.321
3 G1 C-B -2.00 -9.09 5.09 0.679