基于R的散点图数据统计分析：实现单因素ANOVA及指定节点均值±SD计算

你可以通过「连续变量分箱→分组统计描述→ANOVA检验」三步完成需求，以下代码基于你现有的df数据框编写，可直接运行：

步骤1：数据预处理（将percent_power离散化为四个节点组） #

首先将连续的percent_power按你指定的四个节点切割为分组，注意如果需要保留100%的观测，要删掉你原绘图代码里的filter(percent_power < 100)过滤条件：

library(tidyverse)
df_processed <- df %>%
  # 若需要排除100%数据则保留下面这行，否则注释
  # filter(percent_power < 100) %>%
  mutate(
    # 按数值区间分箱，对应四个目标节点
    power_node = cut(percent_power,
                      breaks = c(0, 25, 50, 75, 100),
                      labels = c("25%", "50%", "75%", "100%"),
                      include.lowest = TRUE)
  )

步骤2：计算各节点relVO2的均值±标准差 #

# 整体计算各节点的统计量
stat_result <- df_processed %>%
  group_by(power_node) %>%
  summarise(
    mean_relVO2 = mean(relVO2, na.rm = T),
    sd_relVO2 = sd(relVO2, na.rm = T),
    `均值±标准差` = paste0(round(mean_relVO2, 2), "±", round(sd_relVO2, 2))
  )
# 打印结果
print(stat_result)
# 如果需要按你绘图中的group分组分别统计，把上面的group_by改成 group_by(power_node, group) 即可

步骤3：单因素ANOVA检验获取p值 #

单因素ANOVA检验四个节点的relVO2均值是否存在显著差异，结果中Pr(>F)即为你需要的p值：

# 拟合ANOVA模型
anova_fit <- aov(relVO2 ~ power_node, data = df_processed)
# 查看检验结果
summary(anova_fit)

补充说明 #

• 如果ANOVA检验p值小于0.05，需要做事后多重比较可以直接运行TukeyHSD(anova_fit)获取组间差异结果
• 如果需要同时控制你原数据中的group变量的影响，可以把模型替换为双因素ANOVA：aov(relVO2 ~ power_node + group, data = df_processed)

内容的提问来源于stack exchange，提问作者MaxStudent