我在R中使用数字矩阵 M 非常大（每20列11000行）。在这个矩阵上，我进行了很多相关性测试
=＆GT;函数cor.test(M[i,], M[j,], method='spearman')其中i和j是矩阵中的两行（测试所有可能的组合）。
您知道的问题是我做了太多测试以获得此测试返回的非常可靠的p值。
我克服这个限制的策略是通过我的矩阵M上的Bootstrap生成一个新的概率分布：我想从M生成100个随机矩阵来对这些矩阵进行多重相关并选择正确的截止值因为p值得到5％的FDR。
我的问题是：
提前感谢您提供的所有有用的答案。
答案 0 :(得分：0)
在python中，模块random中有一个函数random.sample()。如果您将 M 存储为行列表，则无需替换即可从矩阵n中随机抽样M行
M_sample = random.sample(M,n)
但是，对于自举，您可能希望使用替换进行随机抽样。为此，您可以使用numpy.random.choice()：
import numpy
M_sample = numpy.random.choice(M,n,replace=True)
在R中，我们使用sample()随机决定要采用的行索引，然后使用行访问从矩阵中获取行。从矩阵n中随机抽样M行而不进行替换，如下所示：
indices = sample(nrow(M), n,replace=FALSE)
M_sample = M[indices, ]
对于随替换的随机抽样，请将第一行替换为：
indices = sample(nrow(M), n,replace=TRUE)