Делаем t-тесты или u-тесты в R сразу для многих колонок с помощью `tidyverse`-подхода Бывают ситуации, когда измерили много количественных переменных для двух групп, например контрольной и с заболеванием, я встречала такие данные у медиков или как результаты масс-спектрометрии. Планируется сравнить все эти количественные переменные тестом Стьюдента или Манна-Уитни, но вручную прописывать 3 или больше раз t-тест кажется не очень хорошей идеей. Что можно сделать? Будем использовать следующий подход: сначала развернем таблицу в длинный формат, соберем в списки значения по каждой группе и количественной переменной, затем таблицу снова превратим в широкий формат, но уже в виде переменная1 [список значений контрольной группы] [список значений экспериментальной группы] И уже к этой таблице применим нужный тест один раз и получим список p-value для каждой количественной переменной! Прикрепляю пример кода, постаралась прокомментировать основные моменты, данные сгенерированы из стандартного нормального распределения с заданием seed, так что этот код должен воспроизвестись:

 r
library(dplyr)
library(tidyr)
set.seed(2)
df <- data.frame(lapply(rep(100,15), rnorm), 
                 group = rep(c('control', 'treatment'), each = 50)) # генерируем данные
colnames(df)[1:15] <- paste0('marker', 1:15) # меняем имена колонок на более понятные
df %>% 
  select(where(is.numeric), group) %>% # это на случай, если в исходном датафрейме не только числовые переменные
  pivot_longer(cols = -group, names_to = 'variable') %>% # преобразуем датафрейм в long-формат
  group_by(group, variable) %>% # группируем по типу обработки и типу переменных
  summarise(value = list(value)) %>% # собираем в списки
  pivot_wider(id_cols = c(variable), names_from = group) %>% # разворачиваем обратно
  group_by(variable) %>% # группируем для проведения стат теста
  # запускаем тест Манна-Уитни, сохраняем u-значение и p-value
  mutate(p_value = wilcox.test(unlist(control), unlist(treatment))$p.value,
         u_value = wilcox.test(unlist(control), unlist(treatment))$statistic)
#> `summarise()` has grouped output by 'group'. You can override using the
#> `.groups` argument.
#> # A tibble: 15 × 5
#> # Groups:   variable [15]
#>    variable control    treatment  p_value u_value
#>    <chr>    <list>     <list>       <dbl>   <dbl>
#>  1 marker1  <dbl [50]> <dbl [50]>  0.293     1403
#>  2 marker10 <dbl [50]> <dbl [50]>  0.0403    1548
#>  3 marker11 <dbl [50]> <dbl [50]>  0.269     1411
#>  4 marker12 <dbl [50]> <dbl [50]>  0.997     1249
#>  5 marker13 <dbl [50]> <dbl [50]>  0.323     1106
#>  6 marker14 <dbl [50]> <dbl [50]>  0.560     1335
#>  7 marker15 <dbl [50]> <dbl [50]>  0.667     1313
#>  8 marker2  <dbl [50]> <dbl [50]>  0.117     1478
#>  9 marker3  <dbl [50]> <dbl [50]>  0.931     1263
#> 10 marker4  <dbl [50]> <dbl [50]>  0.866     1225
#> 11 marker5  <dbl [50]> <dbl [50]>  0.791     1211
#> 12 marker6  <dbl [50]> <dbl [50]>  0.986     1247
#> 13 marker7  <dbl [50]> <dbl [50]>  0.920     1235
#> 14 marker8  <dbl [50]> <dbl [50]>  0.0169    1597
#> 15 marker9  <dbl [50]> <dbl [50]>  0.707     1195

Если понадобится сделать не тест Манна-Уитни, как в примере, а t-test, то надо просто поменять в последней команде wilcox.test() на t.test().