使用 Strsplit 和 R 连接在 R 中拆分大数据文件

Question

您好，我正在尝试将一个大型数据文件读入 R。它是一个制表符分隔的文件，但是前两列填充了由“|”分隔的多条数据。该文件如下所示：

A|1   B|2   0.5  0.4
C|3   D|4   0.9  1

我只关心第一列和第二列以及第三列和第四列中的第一个值。最后，我想为每一行得到一个向量，如下所示：

A  B  0.5  0.4

我正在使用连接读取文件：

con <- file("inputfile.txt", open = "r")
lines <- readLines(con)

这给了我：

lines[1]
[1] "A|1\tB|2/t0.5\t0.4"

然后我使用 strsplit 来拆分制表符分隔的文件：

linessplit <- strsplit(lines, split="\t")

这给了我：

linessplit[1]
[1] "A|1" "B|2" 
[3] "0.5" "0.4"

当我尝试以下将“A|1”拆分为“A”“1”时：

line1 <- linessplit[1]
l1 <- strsplit(line1[1], split = "|")

我明白了：

"Error in strsplit(line1[1], split = "|") : non-character argument"

有没有人可以解决这个问题？ 谢谢！

Answer 1

由于您提供了一种方法，因此我解释了代码中的错误，即使对于您的问题，您可能必须考虑另一种方法。 无论如何，抛开个人对代码的喜好，问题是：

1. 你必须用双括号提取列表的第一个元素 line1[[1]]
2. split 参数接受常规 表达式。如果您提供 | 这是一个元字符，它不会是 按原样阅读。您必须使用\\| 对其进行转义，或者（如@nongkrong 建议的那样）您必须使用fixed = T 参数，该参数允许您完全匹配字符串原样（例如，没有它们作为元数据的意义字符）。

最终代码为l1 <- strsplit(line1[[1]], split = "\\|")

作为最后的个人考虑，您可能会考虑lapply 解决方案：

lapply(linessplit, strsplit, split = "|", fixed = T)

Answer 2

说，这是我对您最初问题的解决方案

分割线

"A|1\tB|2\t0.5\t0.4"
"C|3\tD|4\t0.9\t1"

进入

A  B  0.5  0.4
C  D  0.9  1

下面是我的代码：

lines <- c("A|1\tB|2\t0.5\t0.4", "C|3\tD|4\t0.9\t1", "E|5\tF|6\t0.7\t0.2")
lines

library(reshape2)
linessplit <- colsplit(lines, pattern="\t", names=c(1:4))
linessplit

split_n_select <- function(x, sel=c(1), pat="\\|", nam=c(1:2)){
  tmp <- t(colsplit(x, pattern=pat, names=nam))
  tmp[sel,]
}

linessplit2 <- sapply(linessplit, split_n_select)
linessplit2

那就分解一下吧：

1. 将原始数据读入行

   lines <- c("A|1\tB|2\t0.5\t0.4", "C|3\tD|4\t0.9\t1", "E|5\tF|6\t0.7\t0.2")
   lines
   

   结果：

    [1] "A|1\tB|2\t0.5\t0.4" "C|3\tD|4\t0.9\t1"   "E|5\tF|6\t0.7\t0.2"
   

2. 加载 reshape2 库以导入函数 colsplit，然后将其与模式 "\t" 一起使用，将行拆分为 4 列，分别命名为 1、2、3、4。

   library(reshape2)
   linessplit <- colsplit(lines, pattern="\t", names=c(1,2,3,4))
   linessplit
   

   结果：

       1   2   3   4
   1 A|1 B|2 0.5 0.4
   2 C|3 D|4 0.9 1.0
   3 E|5 F|6 0.7 0.2
   

3. 这是一个函数来获取一行，分成几行并选择我们想要的行。

   将第一行的linessplit放入colsplit

   tmp <- colsplit(linessplit[1,], pattern="\\|", names=c(1:2))
   tmp
   

   结果：

       1  2
   1   A  1
   2   B  2
   3 0.5 NA
   4 0.4 NA
   

   转置

   tmp <- t(colsplit(linessplit[1,], pattern="\\|", names=c(1:2)))
   tmp
   

   结果：

     [,1] [,2] [,3]  [,4] 
   1 "A"  "B"  "0.5" "0.4"
   2 " 1" " 2" NA    NA   
   

   选择第一行：

   tmp[1,]
   

   结果：

   [1] "A"   "B"   "0.5" "0.4"
   

   将上述步骤变成一个函数split_n_select：

   split_n_select <- function(x, sel=c(1), pat="\\|", nam=c(1:2)){
     tmp <- t(colsplit(x, pattern=pat, names=nam))
     tmp[sel,]
   }
   

4. 使用 sapply 将函数 split_n_select 应用于linessplit 中的每一行

   linessplit2 <- sapply(linessplit, split_n_select)
   linessplit2
   

   结果：

        1   2   3     4    
   [1,] "A" "B" "0.5" "0.4"
   [2,] "C" "D" "0.9" "1"  
   [3,] "E" "F" "0.7" "0.2"
   

5. 您也可以通过添加 sel=c(2)

   来选择第二行

   linessplit2 <- sapply(linessplit, split_n_select, sel=c(2))
   linessplit2
   

   结果：

        1   2   3  4 
   [1,] "1" "2" NA NA
   [2,] "3" "4" NA NA
   [3,] "5" "6" NA NA
   

Answer 3

改变

line1 <- linessplit[1]
l1 <- strsplit(line1[1], split = "|")

到

line1 <- linessplit[1]
l1 <- strsplit(line1[1], split = "[|]") #i added square brackets