快速组合和转置许多固定格式的数据集文件

Question

我拥有：~100 个 txt 文件，每个文件有 9 列和 >100,000 行 我想要的：一个组合文件，只有 2 列但所有行。那么这应该转置为 >100,000 列和 2 行的输出。

我创建了下面的函数来系统地浏览文件夹中的文件，拉出我想要的数据，然后在每个文件之后，与原始模板连接在一起。

问题：这在我的小测试文件上运行良好，但是当我尝试在大文件上执行此操作时，我遇到了内存分配问题。我的 8GB 内存还不够，我认为这部分是我编写代码的方式。

我的问题：有没有办法遍历文件，然后在最后一次全部加入以节省处理时间？

另外，如果放这种东西的地方不对，有什么更好的论坛来获取 WIP 代码的输入？？

##Script to pull in genotype txt files, transpose them, delete commented rows & 
## & header rows, and then put files together.

library(plyr)

## Define function
Process_Combine_Genotype_Files <- function(
        inputdirectory = "Rdocs/test", outputdirectory = "Rdocs/test", 
        template = "Rdocs/test/template.txt",
        filetype = ".txt", vars = ""
        ){

## List the files in the directory & put together their path
        filenames <- list.files(path = inputdirectory, pattern = "*.txt")
        path <- paste(inputdirectory,filenames, sep="/")


        combined_data <- read.table(template,header=TRUE, sep="\t")

## for-loop: for every file in directory, do the following
        for (file in path){

## Read genotype txt file as a data.frame
                currentfilename  <- deparse(substitute(file))
                currentfilename  <- strsplit(file, "/")
                currentfilename <- lapply(currentfilename,tail,1)

                data  <- read.table(file, header=TRUE, sep="\t", fill=TRUE)

                #subset just the first two columns (Probe ID & Call Codes)
                #will need to modify this for Genotype calls....
                data.calls  <- data[,1:2]

                #Change column names & row names
                colnames(data.calls)  <- c("Probe.ID", currentfilename)
                row.names(data.calls) <- data[,1]


## Join file to previous data.frame
                combined_data <- join(combined_data,data.calls,type="full")


## End for loop
        }
## Merge all files
        combined_transcribed_data  <- t(combined_data)
print(combined_transcribed_data[-1,-1])
        outputfile  <- paste(outputdirectory,"Genotypes_combined.txt", sep="/")        
        write.table(combined_transcribed_data[-1,-1],outputfile, sep="\t")

## End function
}

提前致谢。

Answer 1

试试：

filenames <- list.files(path = inputdirectory, pattern = "*.txt")
require(data.table)
data_list <- lapply(filenames,fread, select = c(columns you want to keep))

现在您有了所有数据的列表。假设所有 txt 文件确实具有相同的列结构，您可以通过以下方式组合它们：

data <- rbindlist(data_list)

转置数据：

t(data)

（感谢@Jakob H for select in fread）

Answer 2

如果速度/工作内存是问题，那么我建议使用 Unix 进行合并。一般来说，Unix 比 R 更快。此外，Unix 不需要将所有信息都加载到 RAM 中，而是以块的形式读取信息。因此，Unix 永远不会受到内存限制。如果您不了解 Unix，但计划将来经常操作大文件，那么请学习 Unix。它简单易学且功能强大。我将以 csv 文件为例。

在 R 中生成 CSV 文件

for (i in 1:10){
  write.csv(matrix(rpois(1e5*10,1),1e5,10), paste0('test',i,'.csv'))
}

在 Shell（即在 Mac 上）/Terminal（即在 Linux Box 上）/Cygwin（即在 Windows 上）

cut -f 2,3 -d , test1.csv > final.csv #obtain column 2 and 3 form test1.csv
cut -f 2,3 -d , test[2,9].csv test10.csv | sed 1d >> final.csv #removing header in test2.csv onward 

请注意，如果您安装了 Rtools，那么您可以使用 system 函数从 R 运行所有这些 Unix 命令。

将读取的 final.csv 转置为 R 并转置。

更新：

我对上面的代码进行了计时。运行时间 .4 秒。因此，要对 100 个文件而不是 10 个文件执行此操作，可能需要 4 秒。我没有对 R 代码计时，但是，当只有 10 个文件时，Unix 和 R 程序可能具有相似的性能，但是，如果有 100+ 个文件，您的计算机可能会受到内存限制并且 R 可能会崩溃.