小编Ror*_*haw的帖子

我写了一个ggplot函数时遇到了绊脚石.我正在尝试更改ggplot facet_wrap图中的facet标签....但它证明比我更棘手但是它会......

我可以在这里访问我正在使用的数据

str(ggdata)
'data.frame':   72 obs. of  8 variables:
 $ Season : Factor w/ 3 levels "Autumn","Spring",..: 2 2 2 2 2 2 2 2 2 2 ...
 $ Site   : Factor w/ 27 levels "Afon Cadnant",..: 13 13 13 13 13 13 13 13 13 13 ...
 $ Isotope: Factor w/ 4 levels "14CAA","14CGlu",..: 1 1 1 1 1 1 2 2 2 2 ...
 $ Time   : int  0 2 5 24 48 72 0 2 5 …

我试图对同一生长季节在2个地点建造的田间试验进行一些统计分析.

在两个站点(Site,水平:HF | NW),实验设计是具有4个(n = 4)块的RCBD(Block每个水平:1 | 2 | 3 | 4 Site).有4种处理--3种不同形式的氮肥和对照(无氮肥)(Treatment水平:AN,U,IU,C).在田间试验期间,有3个不同的时期开始添加肥料,最后收获草.在这个因素下,这些时期被赋予了1 | 2 | 3的水平N_app.

有一系列测量我想测试以下零假设H0:

Treatment (H0)对测量没有影响

我特别感兴趣的两项测量是:草产量和氨排放量.

从这里Dry_tonnes_ha显示的grass yield()开始,一个很好的平衡数据集

可以使用以下代码在R中下载数据:

library(tidyverse)

download.file('https://www.dropbox.com/s/w5ramntwdgpn0e3/HF_NW_grass_yield_data.csv?raw=1', destfile = "HF_NW_grass_yield_data.csv", method = "auto")
raw_data <- read.csv("HF_NW_grass_yield_data.csv", stringsAsFactors = FALSE)

HF_NW_grass <- raw_data %>% mutate_at(vars(Site, N_app, Block, Plot, Treatment), as.factor) %>% 
  mutate(Date = as.Date(Date, format = "%d/%m/%Y"),
         Treatment = factor(Treatment, levels = c("AN", "U", "IU", "C")))

我使用以下方法对此运行ANOVA:

model_1 <- …

我正在尝试在dplyr summarise. 我正在处理的数据集可以在这里下载并准备使用以下代码：

raw_data <- read.csv("Output/FluxN2O.csv", stringsAsFactors = FALSE)
test_data <- raw_data %>% mutate(Chamber = as.factor(Chamber), Treatment = as.factor(Treatment. Time = as.POSIXct(Time, format = "%Y-%m-%d %H:%M:%S")))

这里是 head()

> head(test_data)
             Time Chamber_closed         Slope R_Squared Chamber Treatment   Flux_N2O Time_relative Time_cumulative
1 2016-05-03 00:08:21          10.23  8.873843e-07 0.6941540      10        AN  0.7567335           0.0             0.0
2 2016-05-03 06:10:21          12.24 -5.540907e-06 0.7728001      12         U -4.7251117         362.0           362.0
3 2016-05-03 06:42:21          10.24 -5.260463e-06 0.9583473      10        AN -4.4859581          32.0           394.0
4 2016-05-03 07:12:21           9.23 …

这是head一个大数据框的

head(Hdata_soil)
                      X_id           timestamp address rssi batt_v soil_temp_1 soil_temp_2 soil_temp_3 soil_moisture_1
1 565846060dd8e408e3817c58 2015-11-27 12:01:10      A8  -65     NA          NA          NA          NA              NA
2 565846070dd8e408e3817c59 2015-11-27 12:01:11      A8   NA     NA        9.73     -273.15       14.63             647
3 565846cf0dd8e408e3817caf 2015-11-27 12:04:31      A7  -64     NA          NA          NA          NA              NA
4 565846cf0dd8e408e3817cb0 2015-11-27 12:04:31      A7   NA     NA        8.56        9.46        9.64             660
5 565847650dd8e408e3817cf5 2015-11-27 12:07:01      A8  -64     NA          NA          NA          NA              NA
6 565847660dd8e408e3817cf6 2015-11-27 12:07:02      A8   NA     NA        9.82     -273.15       14.29             643

可以从 …

我正在单个数据框中跨多个组运行简单的单向方差分析。

此处提供数据框：https ://www.dropbox.com/s/6nsjk4l1pgiwal3/cut1.csv?dl=0

>download.file(\'https://www.dropbox.com/s/6nsjk4l1pgiwal3/cut1.csv?raw=1\', destfile = "cut1.csv", method = "auto")\n\n> data <- read.csv("cut1.csv")\n> cut1 <- data %>% mutate(Plot = as.factor(Plot), Block = as.factor(Block), Cut = as.factor(Cut)) \n\n> str(cut1)\n\'data.frame\':   160 obs. of  6 variables:\n $ Plot       : Factor w/ 16 levels "1","2","3","4",..: 1 2 3 4 5 6 7 8 9 10 ...\n $ Block      : Factor w/ 4 levels "1","2","3","4": 1 1 1 1 2 2 2 2 3 3 ...\n $ Treatment  : Factor w/ 4 …