如何使用R在t检验中只运行比较的子集？

我用R来做一些统计，这个问题是从stats-exchange复制的，因为它不是真正的s-stats问题，所以我认为它可能与stack-overflow（）更相关。虽然这里给出的答案（对数据进行子集，然后运行测试）在逻辑上似乎是正确的，但如果不对每个聚糖重复100条不同的代码，我无法找到这样做的方法（见下文）：

我已经从原始数据生成了data.frame。数据包括一个数字变量（折叠变化）和两个因素变量（dis_状态，包括RF和con，以及聚糖，包括100种不同的聚糖）

这是一个可重复的示例，每个聚糖只有3个聚糖和3个“RF”和3个“con”

   > example
   dis_status glycan fold_change
1          RF      a  4.83433185
2          RF      a  3.88519084
3          RF      a  2.80368849
4         con      a  0.94730194
5         con      a  1.91278688
6         con      a  1.23225002
7          RF      b  4.07173876
8          RF      b  5.70383491
9          RF      b  0.05282291
10        con      b  1.34631723
11        con      b  4.26723583
12        con      b  4.26723583
13         RF      c  2.20887813
14         RF      c  4.62220094
15         RF      c  0.94730194
16        con      c  0.53597973
17        con      c  2.92572685
18        con      c  1.58871049

> dput(example)
structure(list(dis_status = structure(c(2L, 2L, 2L, 1L, 1L, 1L, 
2L, 2L, 2L, 1L, 1L, 1L, 2L, 2L, 2L, 1L, 1L, 1L), .Label = c("con", 
"RF"), class = "factor"), glycan = structure(c(1L, 1L, 1L, 1L, 
1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L), .Label = c("a", 
"b", "c"), class = "factor"), fold_change = c(4.834331853, 3.885190842, 
2.803688487, 0.947301944, 1.912786879, 1.232250023, 4.071738761, 
5.703834911, 0.052822912, 1.346317234, 4.267235834, 4.267235834, 
2.208878135, 4.622200944, 0.947301944, 0.535979733, 2.925726849, 
1.588710491)), class = "data.frame", row.names = c(NA, -18L))

我可以对数据进行t.测试：

ad_nonpaired <- pairwise.t.test(stats_df$fold_change,  stats_df$dis_status:stats_df$glycan, 
                               paired = F,
                               pool.sd = F,
                               p.adj = "none")

看起来您可能希望将其用于一般工作流程。
//列出两个通用列表
compareList我不确定这是否是一种完美的方法，但您可以将数据框子集，只保留单个聚糖的值，然后在每个dis_状态水平之间进行t检验：

库（tidyverse）
水平\聚糖=水平（例如$glycan）
pvalue=NULL
对于（i级聚糖）
{
温度%过滤器（聚糖==i）
t您可以通过聚糖拆分数据框，然后通过dis_状态组进行t检验，无需任何外部库：

结果测试；
as.numeric（TAPLY（x$fold\u change，x$dis\u status，mean））->ta；
data.frame（聚糖=as.character（x$glycan[1]），
mean.con=ta[1]，
平均值RF=ta[2]，
pvalue=数值形式（测试$p.value））；
}))

根据评论，它给出了您想要的数据帧

结果
聚糖平均值.con平均值.RF pvalue
a 1.364113 3.841070.03403083
b 3.293596 3.276132 0.99335164
c 1.683472 2.592794 0.52325471
您能否提供一个可复制的数据示例？这将使试图帮助您的人的工作更容易（请参阅：）谢谢我用最小的重复编辑了这个问题，希望这也能让事情更清楚？虽然这似乎在exmaple上起作用，但当我用我的“pairwise.t.test”替换“t.test”代码块时代码块似乎不起作用？我相应地编辑了我的答案，以使用
pairwise.t.test
函数。让我看看它现在是否工作。谢谢，这似乎工作得很好。您是否可以使用我在问题中使用的“pairwise.t.test”参数更新答案？我将使用pairwise.t.test并更改其中的参数，但如果我简单地替换代码，它似乎不起作用？完成。它实际上也使它变得更简单。效果很好，关于如何从这个列表中提取具有聚糖名称和p.值的数据框，有什么建议吗？现在更新为提供一个数据框而不是列表。是的，我认为它不需要对多个假设检验进行校正，因为它是一个简单的2组检验
R version 3.5.2 (2018-12-20)
Platform: x86_64-apple-darwin15.6.0 (64-bit)
Running under: macOS Mojave 10.14.6

Matrix products: default
BLAS: /System/Library/Frameworks/Accelerate.framework/Versions/A/Frameworks/vecLib.framework/Versions/A/libBLAS.dylib
LAPACK: /Library/Frameworks/R.framework/Versions/3.5/Resources/lib/libRlapack.dylib

locale:
[1] en_NZ.UTF-8/en_NZ.UTF-8/en_NZ.UTF-8/C/en_NZ.UTF-8/en_NZ.UTF-8

attached base packages:
[1] parallel  stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
 [1] knitr_1.25          broom_0.5.2         ggrepel_0.8.1       readxl_1.3.1        forcats_0.4.0       stringr_1.4.0       dplyr_0.8.3         purrr_0.3.3        
 [9] readr_1.3.1         tidyr_1.0.0         tibble_2.1.3        ggplot2_3.2.1       tidyverse_1.2.1     limma_3.38.3        hexbin_1.27.3       vsn_3.50.0         
[17] Biobase_2.42.0      BiocGenerics_0.28.0

loaded via a namespace (and not attached):
 [1] Rcpp_1.0.2            lubridate_1.7.4       lattice_0.20-38       gtools_3.8.1          rprojroot_1.3-2       assertthat_0.2.1      zeallot_0.1.0         digest_0.6.22        
 [9] utf8_1.1.4            plyr_1.8.4            R6_2.4.0              cellranger_1.1.0      backports_1.1.5       evaluate_0.14         highr_0.8             httr_1.4.1           
[17] pillar_1.4.2          gplots_3.0.1.1        zlibbioc_1.28.0       rlang_0.4.1           lazyeval_0.2.2        curl_4.2              rstudioapi_0.10       gdata_2.18.0         
[25] preprocessCore_1.44.0 desc_1.2.0            labeling_0.3          splines_3.5.2         munsell_0.5.0         xfun_0.10             compiler_3.5.2        modelr_0.1.5         
[33] pkgconfig_2.0.3       tidyselect_0.2.5      fansi_0.4.0           crayon_1.3.4          withr_2.1.2           bitops_1.0-6          grid_3.5.2            nlme_3.1-141         
[41] jsonlite_1.6          gtable_0.3.0          lifecycle_0.1.0       affy_1.60.0           magrittr_1.5          scales_1.0.0          KernSmooth_2.23-16    cli_1.1.0            
[49] stringi_1.4.3         affyio_1.52.0         testthat_2.2.1        xml2_1.2.2            ellipsis_0.3.0        generics_0.0.2        vctrs_0.2.0           tools_3.5.2          
[57] glue_1.3.1            hms_0.5.2             pkgload_1.0.2         yaml_2.2.0            colorspace_1.4-1      BiocManager_1.30.9    caTools_1.17.1.2      rvest_0.3.4          
[65] haven_2.1.1          

It seems like you might want to use this for your general work-flow.

// Make two generic lists 
compareList <- list()
compareListTwo <- list()

//Filter through each glycan for each instance of the variable name 
for(i in 1:length(stats_df))
{
  compareList[i] = dplyr::filter(stats_df, stats_df$dis_status[i] == "RF")
}

for(j in 1:length(stats_df))
{
  compareListTwo[j] = dplyr::filter(stats_df, stats_df$dis_status[j] == "con")   

}

compareList <- unlist(compareList)
compareListTwo <- unlist(compareListTwo)

data.frame(compareList)
data.frame(compareListTwo)

newdf  <- rbind(compareList,compareListTwo)