在R中如何更简便地实现分类数据与多列数值数据的相关性分析

首先安装所需依赖包，首次运行执行以下代码：

install.packages(c("dplyr", "readxl", "psych"))

核心运行代码如下，仅需修改文件路径即可直接运行：

library(dplyr)
library(readxl)
library(psych)

# 读取完整Excel数据，替换为你的本地文件路径
df_full <- read_excel("你的调研数据文件.xlsx")

# 自动对第一列分类数据做编码映射
col1_name <- colnames(df_full)[1]
df_encoded <- df_full %>%
  mutate(!!sym(col1_name) := case_when(
    !!sym(col1_name) == "Seasoned Professional; with a variety of technical skills developed; strong problem solver" ~ 1,
    !!sym(col1_name) == "Entry-level; learning technical and professional skills" ~ 2,
    !!sym(col1_name) == "Early career; with basic skills development; work contributes to the success of team goals" ~ 3,
    !!sym(col1_name) == "Advanced; very senior; can solve most problems of issues that arise" ~ 4,
    !!sym(col1_name) == "Expert; has broad influence and experience within organization" ~ 5
  ))

# 提取第一列编码值与后续所有数值列
col1_data <- df_encoded[[1]]
numeric_cols <- df_encoded[, -1]

# 批量计算斯皮尔曼相关性
cor_res <- corr.test(col1_data, numeric_cols, method = "spearman", adjust = "none")

# 整理为标准化分析表
cor_analysis_table <- data.frame(
  数值列名 = colnames(numeric_cols),
  相关系数 = round(as.numeric(cor_res$r), 4),
  p值 = round(as.numeric(cor_res$p), 4),
  显著性 = case_when(
    as.numeric(cor_res$p) < 0.001 ~ "***",
    as.numeric(cor_res$p) < 0.01 ~ "**",
    as.numeric(cor_res$p) < 0.05 ~ "*",
    TRUE ~ "不显著"
  )
)

# 输出分析表
print(cor_analysis_table, row.names = FALSE)

# 若需导出结果到Excel可运行以下代码
# install.packages("writexl")
# library(writexl)
# write_xlsx(cor_analysis_table, "相关性分析结果.xlsx")

代码说明 #

• 自动识别第一列作为分类字段完成编码，无需手动拆分文件/列
• 自动遍历后续所有数值列批量计算相关性，一次性生成完整分析表
• 分析表内置显著性标记，可直接用于报告撰写
• 若分类映射规则调整，仅需修改case_when中的赋值逻辑即可

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