R语言里面的文本文件操作技巧合辑

Posted on by

偏底层的函数

常规需求是文本文件交互，比如 文件打开、文件写入、文件内容刷新等等，如果默认的文件没有规则仅仅是里面有内容，就需要使用比较底层的函数：

  1. 打开文件：你可以使用file()函数来打开一个文件。这个函数会返回一个连接，你可以通过这个连接来读取或写入文件。例如：

 con <- file("myfile.txt", "r") # 打开文件进行读取

在这个例子中，”r”表示读取模式。如果你想要写入文件，你可以使用”w”模式。

  1. 读取文件：你可以使用readLines()函数来读取文件的内容。例如：

 con <- file("myfile.txt", "r")
 lines <- readLines(con)
 close(con) # 记得关闭连接

在这个例子中，readLines()函数会返回一个字符向量，每个元素对应文件的一行。

  1. 写入文件：你可以使用writeLines()函数来写入文件。例如：

 con <- file("myfile.txt", "w")
 writeLines(c("Hello, world!", "This is a test."), con)
 close(con) # 记得关闭连接

在这个例子中，writeLines()函数会把字符向量的每个元素写入文件的一行。

  1. 刷新文件：如果你在写入文件后想要立即把数据写入磁盘，你可以使用flush()函数。例如：

 con <- file("myfile.txt", "w")
 writeLines(c("Hello, world!", "This is a test."), con)
 flush(con) # 刷新文件
 close(con) # 记得关闭连接

在这个例子中，flush()函数会把数据立即写入磁盘，而不是等到关闭连接时才写入。

以上就是在R语言中进行文本文件交互的一些基本操作。请注意，这些操作可能会出现错误，例如文件不存在或者没有写入权限等，你需要确保你的代码能够正确处理这些错误。

有规则的文本文件读入

但是绝大部分情况下，我们的文本文件其实是规则的，在R语言中，有许多函数可以用来读取结构化的文本文件，如CSV文件、TSV文件或其他形式的表格数据。以下是一些常用的函数：

  1. read.table()：这是一个通用的函数，可以读取一个表格数据文件。默认的分隔符是空白字符，包括空格和制表符。例如：

 data <- read.table("myfile.txt")

如果你的文件使用的是其他分隔符，你可以使用sep参数来指定。例如，如果你的文件是一个CSV文件，你可以这样做：


 data <- read.table("myfile.csv", sep = ",")
  1. read.csv()：这是read.table()的一个特例，专门用来读取CSV文件。它自动设置了sep = ","，并且默认的header参数为TRUE，这意味着它会把第一行作为列名。例如：

 data <- read.csv("myfile.csv")
  1. read.delim()：这也是read.table()的一个特例，专门用来读取制表符分隔的文件（也就是TSV文件）。例如：

 data <- read.delim("myfile.tsv")
  1. read.fwf()：这个函数可以读取固定宽度格式的文件。你需要提供一个宽度向量来指定每列的宽度。例如：

 widths <- c(5, 3, 4) # 第一列宽度为5，第二列宽度为3，第三列宽度为4
 data <- read.fwf("myfile.txt", widths)

以上就是在R语言中读取结构化文本文件的一些常用函数。这些函数都会返回一个数据框（data frame），你可以使用这个数据框来进行后续的数据分析。

特殊规则的文本文件

在我们生物信息学领域，GMT文件是一种常见的基因集文件格式，通常用于基因集富集分析（Gene Set Enrichment Analysis，GSEA）。GMT文件的每一行代表一个基因集，第一列是基因集的名称，第二列是基因集的描述（有时可能为空），接下来的列是基因集中的基因。

在R中，你可以使用readLines()函数读取GMT文件，然后使用字符串处理函数来解析每一行。以下是一个简单的示例：

# 读取文件的每一行
lines <- readLines("myfile.gmt")

# 初始化一个空的列表来存储基因集
gene_sets <- list()

# 遍历每一行
for (line in lines) {
 # 使用制表符分割行
 fields <- strsplit(line, "\t")[[1]]

 # 第一个字段是基因集的名称
 gene_set_name <- fields[1]

 # 剩下的字段是基因
 genes <- fields[-(1:2)]

 # 将基因添加到列表中
 gene_sets[[gene_set_name]] <- genes
}

在这个示例中，gene_sets是一个列表，列表的每个元素是一个基因集，元素的名称是基因集的名称。你可以使用这个列表来进行后续的分析。

请注意，这个示例假设你的GMT文件是用制表符分隔的。如果你的文件使用的是其他分隔符，你需要相应地修改strsplit()函数的参数。

当然了，绝大部分情况下也可以使用已经创造好的轮子，没有必要使用偏底层的函数自己解析文件规律。在R中，你可以使用Bioconductor的ShortRead包来读取FASTQ文件，并将其转换为FASTA格式。以下是一个示例：

# 首先，你需要安装Bioconductor和ShortRead包。如果你还没有安装，可以使用以下命令安装：
if (!requireNamespace("BiocManager", quietly = TRUE))
 install.packages("BiocManager")
BiocManager::install("ShortRead")

# 加载ShortRead包
library(ShortRead)

# 读取FASTQ文件
fastq_file <- "path/to/your/file.fastq"
fastq_data <- readFastq(fastq_file)

# 转换为FASTA格式
fasta_data <- as(fastq_data, "DNAStringSet")

# 写入FASTA文件
fasta_file <- "path/to/your/output.fasta"
writeXStringSet(fasta_data, fasta_file)

在这个示例中，你需要将"path/to/your/file.fastq"和"path/to/your/output.fasta"替换为你的输入FASTQ文件和输出FASTA文件的实际路径。

请注意，这个示例假设你的FASTQ文件是单端的。如果你有配对端的FASTQ文件，你需要分别读取和转换每个文件。

其它一些基本的原则和技巧

在R语言中操作文件时，有一些基本的原则和技巧可以帮助你更有效地进行工作：

  1. 使用绝对路径：尽可能使用绝对路径来读取或写入文件。这样可以避免因为工作目录改变而导致的错误。
  2. 检查文件是否存在：在尝试读取文件之前，使用file.exists()函数检查文件是否存在。这可以避免因为文件不存在而导致的错误。
  3. 处理文件路径：使用file.path()函数来构建文件路径。这个函数会根据操作系统的不同自动选择正确的路径分隔符。
  4. 创建不存在的目录：在尝试写入文件到一个目录之前，使用dir.create()函数创建不存在的目录。
  5. 使用适当的文件读取和写入函数：R语言提供了许多函数来读取和写入不同类型的文件，如read.csv(), read.table(), write.csv(), write.table()等。选择适当的函数可以帮助你更有效地处理数据。
  6. 关闭打开的连接：如果你使用了file()或url()等函数打开了一个连接，记得在完成读写操作后使用close()函数关闭连接。
  7. 使用tryCatch处理可能的错误：在读取或写入文件时可能会出现错误，使用tryCatch()函数可以帮助你处理这些错误，避免程序意外中断。
  8. 使用here包处理路径：here包可以帮助你更容易地处理文件路径，特别是在项目的多个脚本中。
  9. 使用readr包读取大文件：readr包提供了一些函数，如read_csv(), read_tsv()等，这些函数比基础R函数更快，更容易处理大文件。
  10. 使用rio包简化文件读写：rio包提供了import()和export()函数，可以自动识别文件类型，简化文件读写操作。

以上就是一些在R语言中操作文件的基本原则和技巧，希望对你有所帮助。

​

Comments are closed.