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

Question

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

制表符分隔的格式如下:

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
... 

Answer 1

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，例如 sed
因此，你可以简单地做

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")