# 读取 Excel 文件，行为样本，列为真菌、细菌、OTU df <- read.xlsx("C:/Users/63035/Desktop/土壤微生物整理 - 副本/计算相对丰度/细菌原始数值1.xlsx", sheet = 1) df <- df[,3:74] # 将每个值除以对应列的第73行数值 # apply,lapply,sapply df1 <- sapply(1:nrow(df),FUN = function(x){as.numeric(df[x,])/as.numeric(df[73, ])}) 修改R语言脚本，计算每列的和，用每个值除以对应列的和

可以使用`apply`函数计算每列的和，然后再用每个值除以对应列的和。修改后的代码如下：

# 读取 Excel 文件，行为样本，列为真菌、细菌、OTU
df <- read.xlsx("C:/Users/63035/Desktop/土壤微生物整理 - 副本/计算相对丰度/细菌原始数值1.xlsx", sheet = 1)
df <- df[,3:74]

# 计算每列的和
col_sum <- apply(df, 2, sum)

# 将每个值除以对应列的和
df1 <- apply(df, 2, function(x){as.numeric(x)/col_sum})

其中`apply(df, 2, sum)`计算了每列的和，`apply(df, 2, function(x){as.numeric(x)/col_sum})`将每个值除以对应列的和。

相关问题

library(tidyverse) library(vegan) library(ggpubr) #设置新罗马字体 windowsFonts(A=windowsFont("Times New Roman"), B=windowsFont("Arial")) #读取数据 setwd("D:/R") df <- read.csv("NMDS.csv",header = T) #nmds分析 nmds <- metaMDS(select(df, starts_with("OTU"))) str(nmds) scores(nmds)$sites %>% cbind(df) %>% ggplot(aes(x = NMDS1, y = NMDS2)) + geom_point(aes(size = 0.5, color = Group)) + stat_chull(geom = "polygon", aes(group = Group, color = Group, fill = Group), alpha = 0.1) + annotate("text", x = -0.15, y = 0.1, label = paste0("stress: ", format(nmds$stress, digits = 4)), hjust = 0) + theme_bw(base_size = 18)+ theme(text=element_text(family="A",size=20))

这段代码是一段NMDS分析的代码，如果你想修改这段代码，可以根据你的具体需求进行修改，以下是一些可能的修改建议：

1. 修改文件路径：根据你的数据存储位置，修改以下代码中的路径：

setwd("D:/R")
df <- read.csv("NMDS.csv",header = T)

2. 修改绘图参数：根据你的绘图需求，修改以下代码中的绘图参数，如颜色、点的大小、字体等等：

geom_point(aes(size = 0.5, color = Group)) +   # 修改点的大小和颜色
annotate("text", x = -0.15, y = 0.1, label = paste0("stress: ", format(nmds$stress, digits = 4)), hjust = 0) +  # 修改注释的位置和字体
theme_bw(base_size = 18)+   # 修改字体大小
theme(text=element_text(family="A",size=20))  # 修改字体类型和大小

3. 修改分析方法：根据你的分析需求，修改以下代码中的分析方法和参数：

nmds <- metaMDS(select(df, starts_with("OTU")))

这里使用了vegan包中的metaMDS函数进行NMDS分析，你可以根据需要选择其他方法或改变参数。

希望这些修改建议对你有所帮助。

from scipy.stats import ttest_ind for i in range(0,len(otu_map_match.index)): if i+1>len(otu_map_match.index): break pvalue = pd.DataFrame() tvalue = pd.DataFrame() tmp1 = otu_map_match.filter(like=otu_map_match.index[i],axis=0).drop(['#SampleID','Group'],axis=1) tmp2 = otu_map_match.filter(like=otu_map_match.index[i+1],axis=0).drop(['#SampleID','Group'],axis=1) for j in range(0,len(otu_map_match.columns)): pvalue.loc[tmp1.index[i],tmp2.index[i]] = ttest_ind(tmp1.iloc[:,j],tmp2.iloc[:,j])[1] tvalue.loc[tmp1.index[i],tmp2.index[i]] = ttest_ind(tmp1.iloc[:,j],tmp2.iloc[:,j])[0]

这段代码没有明显的语法错误，但是其中有一些潜在的逻辑问题：

1. 在判断i+1是否大于len(otu_map_match.index)时，应该使用小于号而不是大于号，否则会跳过最后一个样本；
2. 在for循环中，pvalue和tvalue的行索引和列索引都是用的i而不是j，这样会导致结果被覆盖，应该将i改为j；
3. 在使用ttest_ind函数时，需要确保样本之间的数据长度相等，否则会报错，这个问题需要根据具体数据进行处理。

下面是修改后的代码，您可以参考一下：

from scipy.stats import ttest_ind 

pvalue = pd.DataFrame()
tvalue = pd.DataFrame()

for i in range(len(otu_map_match.index) - 1):
    tmp1 = otu_map_match.filter(like=otu_map_match.index[i], axis=0).drop(['#SampleID','Group'], axis=1)
    tmp2 = otu_map_match.filter(like=otu_map_match.index[i+1], axis=0).drop(['#SampleID','Group'], axis=1)
    for j in range(len(otu_map_match.columns)):
        if len(tmp1.iloc[:,j]) != len(tmp2.iloc[:,j]):
            continue
        pvalue.loc[tmp1.columns[j], tmp2.columns[j]] = ttest_ind(tmp1.iloc[:,j], tmp2.iloc[:,j])[1]
        tvalue.loc[tmp1.columns[j], tmp2.columns[j]] = ttest_ind(tmp1.iloc[:,j], tmp2.iloc[:,j])[0]

希望能对您有所帮助。