如何在R中循环对多物种数据执行配对t-test并输出结果

数据要求 #

你的数据框需要包含以下列（列名可自行调整，代码里对应修改即可）：

• region：区域标识（对应你6个不同区域）
• species：物种名称
• season：季节（如"春季"/"夏季"/"秋季"/"冬季"）
• value：测量值
• pair_id：配对标识（比如样地ID，用来标记同一采样单元在不同季节的观测，配对t检验必须依赖这个）

完整可复用脚本 #

# 加载所需包（如果没安装先运行：install.packages("tidyverse")）
library(tidyverse)

# ---------------------- 1. 数据预处理 ----------------------
# 假设你的原始数据框名为 raw_data，替换成你实际的对象名
clean_data <- raw_data %>%
  # 移除测量值缺失的行
  drop_na(value) %>%
  # 仅保留至少有2个季节数据的配对单元
  group_by(region, species, pair_id) %>%
  filter(n_distinct(season) >= 2) %>%
  ungroup()

# ---------------------- 2. 定义检验函数 ----------------------
# 对单个区域-物种的子数据集执行配对两两t检验
run_paired_tests <- function(sub_data) {
  # 跳过样本量不足的情况
  if (n_distinct(sub_data$season) < 2 || nrow(sub_data) < 2) {
    return(tibble(
      region = unique(sub_data$region),
      species = unique(sub_data$species),
      season1 = NA,
      season2 = NA,
      t值 = NA,
      自由度 = NA,
      p值 = NA,
      备注 = "样本量不足或季节数<2"
    ))
  }
  
  # 执行配对两两t检验，p值校正用bonferroni（可换成"holm"/"fdr"等）
  test_result <- pairwise.t.test(
    x = sub_data$value,
    g = sub_data$season,
    paired = TRUE,
    p.adjust.method = "bonferroni"
  )
  
  # 把统计结果整理成易读的数据框
  test_result %>%
    broom::tidy() %>%
    mutate(
      region = unique(sub_data$region),
      species = unique(sub_data$species)
    ) %>%
    rename(season1 = group1, season2 = group2, t值 = statistic, 自由度 = parameter, p值 = p.value) %>%
    select(region, species, season1, season2, t值, 自由度, p值, 备注 = "分析完成")
}

# ---------------------- 3. 批量执行并整理结果 ----------------------
# 按区域+物种分组，批量运行检验
all_test_results <- clean_data %>%
  group_by(region, species) %>%
  group_split() %>%
  map_dfr(run_paired_tests)

# 查看完整结果（n=Inf显示所有行）
print(all_test_results, n = Inf)

# 导出结果到CSV文件（可修改路径和文件名）
write_csv(all_test_results, "物种-季节配对t检验结果.csv")

关键说明 #

1. 数据预处理：过滤掉无效配对（只有单个季节数据的采样单元），避免后续分析报错。
2. 容错处理：函数会自动跳过样本量不足的物种-区域组合，返回明确备注，不会中断整个流程。
3. 适配多区域：通过group_by(region, species)自动识别所有区域，不管是6个还是更多，都能批量处理。
4. 结果可读性：最终输出是结构化的数据框，包含区域、物种、配对季节、统计量、p值和备注，方便筛选和导出。
5. p值校正：默认用bonferroni校正多重检验，你可以根据需求换成holm（更宽松）或fdr等方法。

注意事项 #

• 如果你的数据里没有pair_id列，必须先添加：比如同一采样点在不同季节的观测，给它们分配相同的pair_id，否则配对t检验的逻辑不成立。
• 如果只需要两个季节的配对t检验（不是多季节两两比较），可以把函数里的pairwise.t.test换成t.test(value ~ season, paired = TRUE, data = sub_data)，然后调整结果整理的代码。

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