基于大样本的Wilcoxon符号秩检验问题求助

需求说明 #

针对数据集中的每种细菌（如Abiotrophia、Abyssicoccus、Acaryochloris），比较yield分组（high和low）的丰度差异，通过Wilcoxon符号秩检验获取p值，判断哪些细菌在两组间存在显著差异。

数据集结构示例：

> dput(head(dat))
structure(list(Abiotrophia = c(0, 3.21408045977011, 0.117816091954023, 
0, 0.002873563218391, 0), Abyssicoccus = c(0.454828660436137, 
0.013239875389408, 0, 0, 0, 0.007009345794393), Acaryochloris = c(8.71569632259294, 
10.8649859288577, 5.13545281606475, 5.72940386089162, 0.888392623745432, 
3.93946335292641), day = c(0L, 60L, 60L, 60L, 90L, 90L), yield = c("low", 
"high", "high", "low", "high", "high"), season = c(1L, 1L, 
1L, 1L, 1L, 1L)), row.names = c("R11P4_BS", "R13P1_BS", "R13P3_BS", 
"R13P6_BS", "R14P1_BS", "R14P3_BS"), class = "data.frame")

原代码错误分析 #

你提供的批量计算代码存在两个核心问题：

• 循环中始终调用第7列（data[data$yield == "low", 7]），未使用循环变量x，导致所有循环重复计算同一列的p值，而非对应细菌列。
• 硬编码列索引（2:ncol(data)）不够稳健，若数据集列顺序变化会导致错误，且未精准筛选细菌列。

修正后的代码 #

方法1：按列名筛选细菌列（推荐） #

通过列名排除非细菌列（day、yield、season），确保循环仅针对目标细菌：

# 筛选所有细菌列名
bacteria_cols <- setdiff(colnames(dat), c("day", "yield", "season"))

# 批量执行Wilcoxon符号秩检验
p_values <- sapply(bacteria_cols, function(col) {
  wilcox.test(
    x = dat[dat$yield == "low", col],
    y = dat[dat$yield == "high", col],
    exact = FALSE
  )$p.val
})

# 查看结果
p_values

方法2：整理结果为数据框（更直观） #

将p值转换为数据框，添加显著性标记：

# 转换为数据框
result_df <- data.frame(
  细菌名称 = names(p_values),
  P值 = p_values,
  显著性 = ifelse(p_values < 0.05, "显著", "不显著")
)

print(result_df)

关键说明 #

• 用列名筛选细菌列避免了硬编码索引的风险，即使数据集列顺序调整也能正常运行。
• exact = FALSE适用于大样本场景，避免因样本量过大导致的计算报错。

内容的提问来源于stack exchange，提问作者sumitra sivaprakasam