Edibble项目教程:实验设计中的结构定义方法
引言
在农业科学和生物统计领域,设计合理的田间试验对研究结果的可信度至关重要。本文将介绍如何使用edibble包来定义实验设计的结构,特别聚焦于小麦田间试验的设计过程。edibble提供了一套直观且灵活的工具,帮助研究人员清晰地定义实验单元、处理因素及其相互关系。
实验设计初始化
任何edibble设计都从初始化设计对象开始。这相当于为整个实验建立一个容器,后续的所有设计元素都将添加至此。
design("小麦田间试验")
初始化时可以指定实验标题,这个信息将作为元数据保存在对象中,并在输出和导出文件时显示。
定义实验单元
基本单元定义
实验设计中最基本的元素是实验单元,使用set_units()
函数定义。下面代码创建了包含4个试验地点的设计:
demo <- design("单元定义演示") %>%
set_units(地点 = 4)
单元水平默认会自动命名为"地点1"、"地点2"等。如果需要特定名称,可以直接提供字符向量:
design("指定名称的单元") %>%
set_units(地点 = c("纳拉布里", "霍舍姆", "帕克斯", "罗斯沃西")) %>%
serve_table()
嵌套单元结构
田间试验通常具有层次结构。例如,每个地点可能包含多个小区。edibble使用nested_in()
辅助函数定义这种嵌套关系:
design("嵌套结构演示") %>%
set_units(地点 = 4,
小区 = nested_in(地点, 18)) %>%
serve_table()
交叉单元结构
当实验单元以矩形阵列排列时(如行和列),可以使用crossed_by()
定义交叉结构:
design("交叉结构演示") %>%
set_units(行 = 6,
列 = 3,
小区 = crossed_by(行, 列)) %>%
serve_table()
复杂单元结构
结合嵌套和交叉结构可以构建更复杂的实验设计。例如,四个地点,每个地点有3行6列的小区:
complex <- design("复杂结构") %>%
set_units(地点 = c("纳拉布里", "霍舍姆", "帕克斯", "罗斯沃西"),
列 = nested_in(地点, 6),
行 = nested_in(地点, 3),
小区 = nested_in(地点, crossed_by(行, 列)))
serve_table(complex, label_nested = c(行, 列))
定义处理因素
基本处理定义
处理因素使用set_trts()
定义。下面示例定义了三个处理因素:品种、肥料类型和施肥量:
factrt <- design("因子处理") %>%
set_trts(品种 = c("a", "b"),
肥料 = c("A", "B"),
施肥量 = c(0.5, 1, 2))
默认情况下,所有处理因素都是交叉的。可以使用trts_table()
查看完整的处理组合:
trts_table(factrt)
条件处理结构
某些处理因素可能依赖于其他因素。例如,当不施肥时,施肥量应为0:
factrtc <- design("带对照的因子处理") %>%
set_trts(品种 = c("a", "b"),
肥料 = c("无", "A", "B"),
施肥量 = conditioned_on(肥料,
"无" ~ 0,
. ~ c(0.5, 1, 2)))
建立因素间关系
分配处理到单元
使用allot_trts()
定义处理因素如何分配到实验单元:
alloted1 <- (complex + factrtc) %>%
allot_trts(肥料 ~ 行,
施肥量:品种 ~ 小区)
处理分配算法
edibble提供多种分配算法:
- "systematic":系统分配,处理水平按顺序分配到单元
- "systematic-random":随机化处理顺序后系统分配
- "random":完全随机分配
design1 <- alloted1 %>%
assign_trts(order = c("systematic", "random"),
seed = 2023) %>%
serve_table(label_nested = c(行, 列))
实际应用示例
假设我们需要设计一个小麦田间试验:
- 4个地点,其中2个地点有9列,其他有6列
- 3行每个地点
- 3个品种
- 2种肥料类型(含对照)
- 3种施肥量(对照时为0)
完整设计代码如下:
final_design <- design("小麦品种比较试验") %>%
# 定义单元结构
set_units(地点 = c("纳拉布里", "霍舍姆", "帕克斯", "罗斯沃西"),
列 = nested_in(地点,
c("纳拉布里", "罗斯沃西") ~ 9,
. ~ 6),
行 = nested_in(地点, 3),
小区 = nested_in(地点, crossed_by(行, 列))) %>%
# 定义处理因素
set_trts(品种 = c("A", "B", "C"),
肥料 = c("无", "X", "Y"),
施肥量 = conditioned_on(肥料,
"无" ~ 0,
. ~ c(0.5, 1, 2))) %>%
# 分配处理到单元
allot_trts(肥料 ~ 行,
施肥量:品种 ~ 小区) %>%
# 执行分配
assign_trts(order = c("systematic", "random"),
seed = 2023) %>%
# 生成设计表
serve_table(label_nested = c(行, 列))
总结
edibble提供了强大而灵活的工具来定义复杂的实验设计结构。通过本文介绍的方法,研究人员可以:
- 清晰地定义实验单元及其层次结构
- 准确地描述处理因素及其相互关系
- 灵活地控制处理分配到单元的方式
- 生成可直接用于分析的设计表格
这种结构化的设计方法不仅提高了实验设计的透明度,也为后续的统计分析奠定了良好基础。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









