如何用R对三组非配对非参数样本进行Mann-Whitney U检验？

没问题，我来一步步带你用R搞定适合论文发表的两两Mann-Whitney检验——刚好匹配你的三组非参数非配对数据（WT、KO、Con，每组样本量都在100左右）。

首先得确保你的数据是长格式（long format）——这是R做统计分析的标准格式：一列存分组信息（比如叫group，包含WT、KO、Con三个水平），另一列存你的观测值（比如叫value）。如果你的数据现在是宽格式（每列对应一组），可以用tidyr包快速转换：

# 先模拟一个宽格式数据集（替换成你自己的真实数据）
wide_data <- data.frame(
  WT = rnorm(100),
  KO = rnorm(100, mean = 1),
  Con = rnorm(100, mean = 0.5)
)

# 转换为长格式
library(tidyr)
long_data <- pivot_longer(wide_data, cols = everything(), names_to = "group", values_to = "value")

因为要做3组两两对比，直接跑3次独立检验会增加假阳性率，所以必须做p值校正（常用Bonferroni或Benjamini-Hochberg（FDR）校正，期刊两种都认可，看目标期刊偏好）。这里给你两种实现方式：

方式一：手动循环（灵活可控） #

# 加载dplyr方便数据筛选（可选，但代码更简洁）
library(dplyr)

# 定义所有需要对比的组对
comparison_pairs <- list(
  c("WT", "KO"),
  c("WT", "Con"),
  c("KO", "Con")
)

# 循环执行检验并收集结果
test_results <- lapply(comparison_pairs, function(pair) {
  # 筛选当前组对的数据
  subset <- long_data %>% filter(group %in% pair)
  # 执行检验：大样本下exact=FALSE更高效，结果足够准确
  wilcox_result <- wilcox.test(value ~ group, data = subset, exact = FALSE)
  # 整理成数据框
  data.frame(
    Comparison = paste(pair[1], "vs", pair[2]),
    W_Statistic = wilcox_result$statistic,
    Raw_p = wilcox_result$p.value
  )
})

# 合并结果并做p值校正
final_results <- bind_rows(test_results) %>%
  mutate(
    Bonferroni_p = p.adjust(Raw_p, method = "bonferroni"),
    FDR_p = p.adjust(Raw_p, method = "fdr")
  )

# 查看最终结果
print(final_results)

方式二：用rstatix包一键完成（推荐，输出更规范） #

rstatix是专门为科研统计设计的包，输出结果直接符合论文表格需求：

# 先安装包（第一次用的话）
# install.packages("rstatix")
library(rstatix)

# 一键执行两两检验+校正
pairwise_results <- long_data %>%
  pairwise_wilcox_test(
    value ~ group,
    p.adjust.method = "bonferroni" # 换成"fdr"就是FDR校正
  )

# 查看结果：包含统计量、原始p值、校正后p值、效应量等
print(pairwise_results)

• 统计报告：要写出Mann-Whitney的W统计量、校正后的p值，同时搭配每组的中位数和四分位数间距（非参数数据不用均值标准差）。比如：

  WT组与KO组的Mann-Whitney检验显示显著差异（W=3245, p=0.002，Bonferroni校正）；WT组与Con组无显著差异（W=4890, p=0.67，Bonferroni校正）；KO组与Con组存在显著差异（W=2987, p=0.01，Bonferroni校正）。

• 可视化：搭配箱线图展示数据分布，用ggplot2的示例代码：

library(ggplot2)
ggplot(long_data, aes(x = group, y = value)) +
  geom_boxplot(fill = "#4292c6", outlier.color = "#d73027") +
  labs(x = "分组", y = "你的观测指标名称") +
  theme_classic()

• 大样本（n≈100）下，wilcox.test()里设置exact=FALSE完全没问题，近似检验的准确性足够，还能大幅提升计算速度。
• 多重比较校正必须做！这是期刊审稿人一定会关注的点，不校正的结果很容易被质疑。
• 你之前用的Dunn检验是Kruskal-Wallis检验后的两两对比，而直接做校正后的Mann-Whitney检验逻辑更直接，完全符合论文发表的要求。

内容的提问来源于stack exchange，提问作者H.Young