如何将制表符分隔的数据（不同格式）解析为 data.table/data.frame？答案

【问题标题】：How to parse tab-delimited data (of different formats) into a data.table/data.frame?如何将制表符分隔的数据（不同格式）解析为 data.table/data.frame？
【发布时间】：2018-10-23 06:22:23
【问题描述】：

我正在尝试解析制表符分隔的数据，该数据已保存为包含无关数据的文本文件。我希望这是一个 R data.table/data.frame。

制表符分隔格式如下：

A   1092    -   1093    +   1X
B   1093    HRDCPMRFYT
A   1093    +   1094    -   1X
B   1094    BSZSDFJRVF
A   1094    +   1095    +   1X
B   1095    SSTFCLEPVV
...

只有两种类型的行，A 和 B。A 始终有 5 列，例如对于第一行，

1092    -   1093    +   1X

B 始终有两列：

1093    HRDCPMRFYT

问题：如何解析具有不同格式的“交替”行的文件？

假设这是一个只有这种格式的文本文件，A 行和 B 行交替，分别有 5 列和 2 列。您如何将其解析为 R data.table？我的想法是如何创建以下格式：

1092    -    1093    +    1X    1093    HRDCPMRFYT
1093    +    1094    -    1X    1094    BSZSDFJRVF
1094    +    1095    +    1X    1095    SSTFCLEPVV
...

【问题讨论】：

只是为了确认：您想将偶数行附加到奇数行（它们总是交替的吗？），以创建七列？
@user20650 是的，这是最好的方法。如果创建两个data.tables“A”和“B”更容易，我认为这也会很有用

标签： r parsing data.table csv

【解决方案1】：

一种方法是使用readLines 读入您的数据，取出您想要的位，然后传递给read.table 以形成数据帧。因此，如果行是交替的，那么：

txt <- 
'1092    -   1093    +   1X
1093    HRDCPMRFYT
1093    +   1094    -   1X
1094    BSZSDFJRVF
1094    +   1095    +   1X
1095    SSTFCLEPVV'


rd <- readLines(textConnection(txt))
data.frame(read.table(text=rd[c(TRUE, FALSE)]), 
           read.table(text=rd[c(FALSE, TRUE)]))

将textConnection(txt) 更改为您的文件路径

另一种方法是只读取一次，然后进行后期处理

r <- read.table(text=txt, fill=TRUE, stringsAsFactors=FALSE, na.strings = "")
d <- cbind(r[c(TRUE, FALSE),], r[c(FALSE, TRUE),])
d[ colSums(is.na(d)) < nrow(d)]

【讨论】：

【解决方案2】：

您可以使用 fread 运行 shell 命令。在Win10中，你甚至可以运行一些linux实用程序如sed

因此，您可以简单地做

fread("sed '$!N;s/\\n/ /' test.tab")
#      V1 V2   V3 V4      V5         V6
# 1: 1092  - 1093  + 1X 1093 HRDCPMRFYT
# 2: 1093  + 1094  - 1X 1094 BSZSDFJRVF
# 3: 1094  + 1095  + 1X 1095 SSTFCLEPVV

（sed 语法取自here）

数据

text <- "1092    -   1093    +   1X
1093    HRDCPMRFYT
1093    +   1094    -   1X
1094    BSZSDFJRVF
1094    +   1095    +   1X
1095    SSTFCLEPVV"

# Saving it as tab separated file on disk
write(gsub(" +", "\t", text), file = "test.tab")

【讨论】：