R语言—方差分析之批量处理

小Li先生

已于 2022-09-15 10:28:22 修改

阅读量2.6k

点赞数 2

分类专栏：数据分析 R语言学习文章学习文章标签： r语言开发语言

于 2022-09-15 10:16:52 首次发布

原文链接：https://blog.csdn.net/yijiaobani/article/details/124707331?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522166304045216782388043643%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=166304045216782388043643&biz_i

版权

R语言学习同时被 3 个专栏收录

45 篇文章 34 订阅

订阅专栏

数据分析

22 篇文章 6 订阅

订阅专栏

文章学习

14 篇文章 3 订阅

订阅专栏

继上次R语言—方差分析和多重比较之后，老师又再次为我解决了批量处理多个变量的方差分析的问题，因此本人又厚着脸皮copy了下来，希望更多的同学能好好学习。感谢R语言批量方差分析的tidyverse版本

最近在学习tidyverse，批量方差分析之前都是用for循环，然后用formula处理模型，再把结果保存为list的形式，现在学习了tidyverse的操作，可以用pivot_longer将所有性状进行长数据转化，然后用group_by和nest变为列表，最后用map进行批量建模，用tidy进行结果的整理，更加行云流水。下面我们通过代码来看一下。

1. 数据描述

> library(learnasreml)
> data(fm)
> str(fm)
'data.frame':	827 obs. of  13 variables:
 $ TreeID : Factor w/ 827 levels "80001","80002",..: 1 2 3 4 5 6 7 8 9 10 ...
 $ Spacing: Factor w/ 2 levels "2","3": 2 2 2 2 2 2 2 2 2 2 ...
 $ Rep    : Factor w/ 5 levels "1","2","3","4",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ Fam    : Factor w/ 55 levels "70001","70002",..: 44 44 44 15 15 2 2 10 10 10 ...
 $ Plot   : Factor w/ 4 levels "1","2","3","4": 1 2 4 1 4 2 4 1 2 3 ...
 $ dj     : num  0.334 0.348 0.354 0.335 0.322 0.359 0.368 0.358 0.323 0.298 ...
 $ dm     : num  0.405 0.393 0.429 0.408 0.372 0.45 0.509 0.381 0.393 0.361 ...
 $ wd     : num  0.358 0.365 0.379 0.363 0.332 0.392 0.388 0.369 0.347 0.324 ...
 $ h1     : int  29 24 19 46 33 30 37 32 34 28 ...
 $ h2     : int  130 107 82 168 135 132 124 126 153 127 ...
 $ h3     : int  239 242 180 301 271 258 238 290 251 243 ...
 $ h4     : int  420 410 300 510 470 390 380 460 430 410 ...
 $ h5     : int  630 600 500 700 670 570 530 660 600 630 ...

数据共有827行数据，相对Fam进行方差分析。

比如对dj进行方差分析：可以看到Fam之间达到极显著水平。

在这里插入图片描述
问题来了，如果相对dj，dm……h5这些性状都进行方差分析，应该如何处理呢？当然可以一个性状做一个模型，我们更想批量处理一些。

2. For循环的解决方案

# for
nn = names(fm)[-c(1:5)]
nn

re = NULL
for(i in seq_along(nn)){
  # i = 1
  mod = aov(formula(paste0(nn[i],"~Fam + Rep")),data=fm)
  re[[i]] = summary(mod)
}

re
names(re) = nn
re

结果：

> re
$dj
# A tibble: 3 x 6
  term         df  sumsq   meansq statistic   p.value
  <chr>     <dbl>  <dbl>    <dbl>     <dbl>     <dbl>
1 Fam          54 0.0912 0.00169       3.52  9.85e-15
2 Rep           4 0.0319 0.00797      16.6   4.60e-13
3 Residuals   767 0.368  0.000480     NA    NA       

$dm
# A tibble: 3 x 6
  term         df  sumsq  meansq statistic     p.value
  <chr>     <dbl>  <dbl>   <dbl>     <dbl>       <dbl>
1 Fam          54 0.214  0.00396      2.12  0.00000996
2 Rep           4 0.0279 0.00696      3.73  0.00515   
3 Residuals   766 1.43   0.00187     NA    NA         

$wd
# A tibble: 3 x 6
  term         df  sumsq   meansq statistic   p.value
  <chr>     <dbl>  <dbl>    <dbl>     <dbl>     <dbl>
1 Fam          54 0.123  0.00227       3.86  3.83e-17
2 Rep           4 0.0469 0.0117       19.9   1.29e-15
3 Residuals   768 0.452  0.000588     NA    NA       

$h1
# A tibble: 3 x 6
  term         df  sumsq meansq statistic   p.value
  <chr>     <dbl>  <dbl>  <dbl>     <dbl>     <dbl>
1 Fam          54 13444.  249.       4.71  4.35e-23
2 Rep           4  4623. 1156.      21.9   4.06e-17
3 Residuals   768 40572.   52.8     NA    NA       

$h2
# A tibble: 3 x 6
  term         df   sumsq meansq statistic   p.value
  <chr>     <dbl>   <dbl>  <dbl>     <dbl>     <dbl>
1 Fam          54  82699.  1531.      2.05  2.31e- 5
2 Rep           4  65677. 16419.     22.0   3.11e-17
3 Residuals   768 572403.   745.     NA    NA       

$h3
# A tibble: 3 x 6
  term         df    sumsq meansq statistic   p.value
  <chr>     <dbl>    <dbl>  <dbl>     <dbl>     <dbl>
1 Fam          54  183935.  3406.      1.88  2.12e- 4
2 Rep           4  108005. 27001.     14.9   1.01e-11
3 Residuals   768 1393118.  1814.     NA    NA       

$h4
# A tibble: 3 x 6
  term         df    sumsq  meansq statistic   p.value
  <chr>     <dbl>    <dbl>   <dbl>     <dbl>     <dbl>
1 Fam          54  382898.   7091.      1.17  1.97e- 1
2 Rep           4  454090. 113523.     18.7   1.12e-14
3 Residuals   765 4644446.   6071.     NA    NA       

$h5
# A tibble: 3 x 6
  term         df    sumsq  meansq statistic   p.value
  <chr>     <dbl>    <dbl>   <dbl>     <dbl>     <dbl>
1 Fam          54  676396.  12526.      1.58  5.79e- 3
2 Rep           4  682404. 170601.     21.6   7.01e-17
3 Residuals   765 6049952.   7908.     NA    NA

3. tidyverse的map解决方案

head(fm)
fm1 = fm %>% pivot_longer(-c(1:5),names_to = "trait",values_to = "y")
head(fm1)
fm1 %>% group_by(trait) %>% nest %>%
  mutate(model = map(data,~aov(y ~ Spacing + Rep, data=.))) %>% 
  mutate(result = map(model,~tidy(.))) %>% 
  unnest(result)

第一步：将数据转化为长数据
第二步：将数据group_by，然后nest形成列表
第三步：使用map进行批量方差分析
第四步：使用map进行结果整理

在这里插入图片描述
————————————————
版权声明：本文为CSDN博主「育种数据分析之放飞自我」的原创文章，遵循CC 4.0 BY-SA版权协议，转载附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/yijiaobani/article/details/124707331