27. R 数据整理（二：将文本数据转换为数据框或列表）

北野茶缸子

发布于 2021-12-17 09:21:22

3.1K0

发布于 2021-12-17 09:21:22

文章被收录于专栏：北野茶缸子的专栏

读取纯文本

最近遇到一个问题，需要读取MsigDB/h.all.v7.2.symbols.gmt 文件进行分析：

这个文件有点奇葩呀，应该是对应每个开头的两个字符对应通路名和通路的网页注释页面，而字符与字符间通过制表符 \t 间隔，而每一组（通路名开头）文字间，通过换行符 \n 间隔：

尝试用read.table 读取一下：

> a <- read.table("MsigDB/h.all.v7.2.symbols.gmt")
Error in scan(file = file, what = what, sep = sep, quote = quote, dec = dec,  : 
  line 3 did not have 202 elements

看来是不等长的内容。

这时候就祭出readLines 函数。类似py 中的readlines 方法，同样，R 的函数也会逐行（识别）

x_line <- readLines("MsigDB/h.all.v7.2.symbols.gmt")

ps：发现对于gmt 已经有成熟的函数read.gmt 了：

纯文本-> 列表

果然文本按照换行符分隔为50个向量，readLines 会按照换行符分隔读取，每个换行符读取一个元素：

> length(x_line)
[1] 50
> sapply(as.list(x_line[1:2]), function(x) substr(x, 1, 100))
[1] "HALLMARK_TNFA_SIGNALING_VIA_NFKB\thttp://www.gsea-msigdb.org/gsea/msigdb/cards/HALLMARK_TNFA_SIGNALIN"     
[2] "HALLMARK_HYPOXIA\thttp://www.gsea-msigdb.org/gsea/msigdb/cards/HALLMARK_HYPOXIA\tPGK1\tPDK1\tGBE1\tPFKL\tA"

'strsplit 函数将文本按照换行符切割：

x_split <- strsplit(x_line, "\t")

每个向量会被按照指定符号切割，每个向量会被转换为列表对象，列表中的元素为按照换行符拆开的一个个元素。

接着我们需要将该列表元素再进行一些处理：

names(x_split) <- vapply(x_split, function(x) x[1], character(1)) # 将每个列表的第一个元素，也就是通路名，作为列表名
x_split <- lapply(x_split, "[",-c(1,2)) # 删除每个列表中的前两个元素
# 这里 "[" 方法可以理解为 function(x) x[-c(1,2)]
length(names(x_split))
head(names(x_split))

[1] "HALLMARK_TNFA_SIGNALING_VIA_NFKB"   
[2] "HALLMARK_HYPOXIA"                   
[3] "HALLMARK_CHOLESTEROL_HOMEOSTASIS"   
[4] "HALLMARK_MITOTIC_SPINDLE"           
[5] "HALLMARK_WNT_BETA_CATENIN_SIGNALING"
[6] "HALLMARK_TGF_BETA_SIGNALING"

纯文本-> 数据框

直接do.call 连接就可：

test <- do.call('cbind', x_split)

> test[1:5,1:5]
     HALLMARK_TNFA_SIGNALING_VIA_NFKB HALLMARK_HYPOXIA
[1,] "JUNB"                           "PGK1"          
[2,] "CXCL2"                          "PDK1"          
[3,] "ATF3"                           "GBE1"          
[4,] "NFKBIA"                         "PFKL"          
[5,] "TNFAIP3"                        "ALDOA"         
     HALLMARK_CHOLESTEROL_HOMEOSTASIS HALLMARK_MITOTIC_SPINDLE
[1,] "FDPS"                           "ARHGEF2"               
[2,] "CYP51A1"                        "CLASP1"                
[3,] "IDI1"                           "KIF11"                 
[4,] "FDFT1"                          "KIF23"                 
[5,] "DHCR7"                          "ALS2"                  
     HALLMARK_WNT_BETA_CATENIN_SIGNALING
[1,] "MYC"                              
[2,] "CTNNB1"                           
[3,] "JAG2"                             
[4,] "NOTCH1"                           
[5,] "DLL1"

但对于不等长的列表元素，一定要小心使用cbind 连接，因为不等长的连接会自动删除那些过长的列表中的元素（木桶中最短的那根板）

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2021-09-10，如有侵权请联系 cloudcommunity@tencent.com 删除