如何为 R 中具有 NA 的多列正确执行 wilcox.test？

Question

我正在尝试针对目标列对多列执行wilcox.test，其中每一列都有NA 值，我需要为每一列独立删除它。要做wilcox.test，首先我需要对每一列进行采样，然后在当前列中删除NA，然后过滤掉目标列的值，但是我没有成功检索到当前列中NA的索引，因为我使用了which(is.na(df$x1), arr.ind=TRUE)，但它不会帮助我如何在目标列中保留相应的值。因为NA在每一列中的位置不同，所以目标列的对应值也发生了变化。我不知道如何在 R 中进行这种操作。谁能指出我如何做到这一点？有什么想法吗？

可重现的例子：

这是我的任务的最小可重复数据：

> dput(mydf)
structure(list(v1 = c(3.69055560203349, 3.01675043088942, 3.4195128033004, 
NA, 3.5798210897553, 4.00279762977148, 3.39364072476593, 3.74902908274812, 
3.75245019598874, NA), v2 = c(8.29251175276882, 6.03085239544148, 
6.61202305724909, 6.32182430455213, 7.01468228541546, 7.91002666664165, 
8.43386943449607, 8.5247956890294, 8.052886597559, 7.22851794548592
), v3 = c(2.67156354473232, 2.36125329858185, 2.17487388876694, 
NA, 2.17995780295262, 2.0439205043448, 1.71779360521063, 2.02967258021284, 
2.04390173884486, NA), v4 = c(2.9771612602651, 2.8554942149399, 
2.86921526382523, NA, 3.5642547915086, 3.02900788965761, 2.86324542975628, 
2.8451951395453, 2.17256320516553, NA), label = c(0L, 1L, 0L, 
1L, 0L, 1L, 0L, 0L, 1L, 0L)), class = "data.frame", row.names = c(NA, 
10L))

我的尝试：

我想对每一列进行采样然后找出目标列的对应值，然后执行wilcox.test。这是我尝试过的：

label = mydf$label
lapply(1:5, function(i){
    res= lapply(colnames(mydf), function(x){
        col_rmna = na.omit(mydf[x])
        sample_size = floor(0.33*nrow(col_rmna))
        split_index <- sample(seq_len(nrow(col_rmna)), size = sample_size, replace = FALSE)
        feat_samped = col_rmna[split_index, ]
        label = subset(label, feat_samped[!which(is.na(feat_samped), arr.ind=TRUE),])
        wtst = wilcox.test(feat_samped ~label)$p.value
    })
    ## put the output of each itertion into list 
})

但我不知道如何获取对应的标签值，并为每个带有相应标签值的采样列执行wilcox.test。我的最终目标是在生成不同采样列值的多次迭代后计算每列的平均 p 值。

谁能指出我如何做到这一点？如何通过查看另一列中的NA 值来查找和保留目标列的值，其中NA 行中出现的值被简单地丢弃？任何的想法？

目标：

在这里，我想运行多次迭代，对每一列进行采样并执行wilcox.test，最终输出将是数据帧，其中应包含每列的平均 p 值。如何完成这项工作？在 R 中执行此类任务的任何更简单的方法？谢谢

Answer 1

我不评估这种方法的有效性，只评估它的程序实施。

我们可以使用which()来转换观察值不是NA的逻辑向量，而不是直接对数据进行采样，而是对索引进行采样。这样，索引也将匹配标签的位置。我还处理了只对两个标签中的一个进行采样的情况，因为这只会产生一个因素，wilcox.test 会失败。

sample.fraction <- 0.8
trials <- 10
result <- lapply(mydf[,1:4],function(x){
  pvals <- vector();
  for(i in seq(1,trials)){
    number.non.na.obs <- length(x[!is.na(x)]);
    n.sample <- floor(sample.fraction*number.non.na.obs);
    logical.not.na <- !is.na(x);
    target.indices <- which(logical.not.na);
    sample <- sample(target.indices,n.sample);
    n.labels.sampled <- length(table(mydf$label[sample]));
    if(n.labels.sampled < 2){pvals[i] <- NA}
     else{pvals[i] <- wilcox.test(x[sample]~mydf$label[sample])$p.value}
  }
return(pvals);  
})
result
#$v1
# [1] 0.3333333 1.0000000 0.7000000 0.7000000 0.1333333 1.0000000 1.0000000 1.0000000 1.0000000 0.3333333
#$v2
# [1] 0.1142857 0.4285714 0.3428571 0.4285714 0.1142857 0.1142857 0.1428571 0.2500000 0.1428571 0.3428571
#$v3
# [1] 0.5333333 1.0000000 0.5333333 0.5333333 0.6666667 0.5333333 0.5333333 1.0000000 1.0000000 0.8000000
#$v4
# [1] 1.0000000 0.2666667 0.6666667 0.8000000 0.8000000 1.0000000 0.2666667 0.3333333 0.4000000 1.0000000

如果你想要平均值，你可以使用sapply。

sapply(result, mean)
#       v1        v2        v3        v4 
#0.5533333 0.3321429 0.7166667 0.6933333 

数据

mydf <- structure(list(v1 = c(3.69055560203349, 3.01675043088942, 3.4195128033004, 
NA, 3.5798210897553, 4.00279762977148, 3.39364072476593, 3.74902908274812, 
3.75245019598874, NA), v2 = c(8.29251175276882, 6.03085239544148, 
6.61202305724909, 6.32182430455213, 7.01468228541546, 7.91002666664165, 
8.43386943449607, 8.5247956890294, 8.052886597559, 7.22851794548592
), v3 = c(2.67156354473232, 2.36125329858185, 2.17487388876694, 
NA, 2.17995780295262, 2.0439205043448, 1.71779360521063, 2.02967258021284, 
2.04390173884486, NA), v4 = c(2.9771612602651, 2.8554942149399, 
2.86921526382523, NA, 3.5642547915086, 3.02900788965761, 2.86324542975628, 
2.8451951395453, 2.17256320516553, NA), label = c(0L, 1L, 0L, 
1L, 0L, 1L, 0L, 0L, 1L, 0L)), class = "data.frame", row.names = c(NA, 
10L))