R语言错误：数据框列循环执行Wilcoxon检验时有效观测值不足

这个报错本质上是说你用来做检验的分组里，至少有一组的有效观测值（非NA、有限数值）数量太少——Wilcoxon秩和检验要求每个分组至少要有2个有效数据才能进行计算。结合你的场景（15个样本，循环552个蛋白列做检验），大概率是这几种情况导致的：

• 某蛋白列里NA值太多，过滤掉NA后，其中一个分组只剩下0或1个样本；
• 你的分组变量（比如Treatment）本身某类的样本量就很小（比如15个样本里某处理组只有1个），再叠加NA就凑不够2个了；
• 极端情况：某个分组里所有样本的蛋白值都是NA，或者分组变量只有唯一类别（比如所有样本都是同一Treatment）。

下面是一步步的排查和解决方法：

第一步：先排查数据问题 #

先搞清楚到底是哪些列出了问题，以及原因：

1. 检查每个蛋白列的有效数据量
   运行这段代码，看看每个蛋白列有多少非NA值：

   protein_cols <- colnames(df)[1:(ncol(df)-3)] # 提取所有蛋白列
   valid_counts <- sapply(df[protein_cols], function(x) sum(!is.na(x)))
   # 查看有效数据少于4的列（假设分组后每组至少2个，总有效数至少4）
   sort(valid_counts[valid_counts < 4])
   

2. 检查分组后的样本分布
   随便挑一个出问题的蛋白列，看看分组后每组的有效样本数：

   problem_col <- "your_protein_name" # 替换成出问题的列名
   table(df$Treatment, !is.na(df[[problem_col]]))
   

   这会显示每个Treatment组里，有多少个样本是有有效蛋白值的。

第二步：修改检验循环，加入容错逻辑 #

在循环里提前检查每组的有效样本数，只有满足条件时才执行检验，否则标记为NA并跳过。这里给你两种写法：

基础for循环版本 #

p_values <- numeric(length(protein_cols))
names(p_values) <- protein_cols

for (col in protein_cols) {
  # 过滤掉当前蛋白列和Treatment列的NA值
  clean_data <- na.omit(df[, c(col, "Treatment")])
  # 统计每个分组的样本量
  group_sizes <- table(clean_data$Treatment)
  
  # 只有当所有分组都至少有2个样本时，才做检验
  if (all(group_sizes >= 2)) {
    test_res <- wilcox.test(clean_data[[col]] ~ clean_data$Treatment)
    p_values[col] <- test_res$p.value
  } else {
    p_values[col] <- NA
    message(sprintf("跳过列 %s：分组样本量不足", col))
  }
}

更高效的dplyr+purrr版本 #

如果你熟悉tidyverse，这种写法更简洁且易读：

library(dplyr)
library(tidyr)
library(purrr)

# 把宽格式数据转成长格式，方便分组处理
df_long <- df %>%
  pivot_longer(
    cols = -c(Treatment, Treatment_Time, Month),
    names_to = "Protein",
    values_to = "Expression"
  )

# 按蛋白分组，计算p值并处理样本量不足的情况
p_value_df <- df_long %>%
  group_by(Protein) %>%
  filter(!is.na(Expression)) %>% # 去掉NA值
  summarise(
    p_value = if (all(table(Treatment) >= 2)) {
      wilcox.test(Expression ~ Treatment)$p.value
    } else {
      NA_real_
    },
    .groups = "drop"
  )

额外提醒 #

如果你的检验是基于多个映射列的组合（比如Treatment+Treatment_Time），那分组后的样本量会更小，一定要提前用table(df$Treatment, df$Treatment_Time)检查每个组合的样本数，避免再次出现同样的问题。

内容的提问来源于stack exchange，提问作者knd