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：

03. 将文本数据转换为数据框或列表 - 图1

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：

03. 将文本数据转换为数据框或列表 - 图2

尝试用read.table 读取一下：

  1. > a <- read.table("MsigDB/h.all.v7.2.symbols.gmt")
  2. Error in scan(file = file, what = what, sep = sep, quote = quote, dec = dec,  : 
  3.   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）

  1. 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：

03. 将文本数据转换为数据框或列表 - 图3

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：

  1. > length(x_line)
  2. [1] 50
  3. > sapply(as.list(x_line[1:2]), function(x) substr(x, 1, 100))
  4. [1] "HALLMARK_TNFA_SIGNALING_VIA_NFKB\thttp://www.gsea-msigdb.org/gsea/msigdb/cards/HALLMARK_TNFA_SIGNALIN"     
  5. [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：

  1. 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：

  1. 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
  2. x_split <- lapply(x_split, "[",-c(1,2)) # 删除每个列表中的前两个元素
  3. # 这里 "[" 方法可以理解为 function(x) x[-c(1,2)]
  4. length(names(x_split))
  5. head(names(x_split))
  7. [1] "HALLMARK_TNFA_SIGNALING_VIA_NFKB"   
  8. [2] "HALLMARK_HYPOXIA"                   
  9. [3] "HALLMARK_CHOLESTEROL_HOMEOSTASIS"   
  10. [4] "HALLMARK_MITOTIC_SPINDLE"           
  11. [5] "HALLMARK_WNT_BETA_CATENIN_SIGNALING"
  12. [6] "HALLMARK_TGF_BETA_SIGNALING"

纯文本-> 数据框

直接do.call 连接就可：

  1. test <- do.call('cbind', x_split)
  3. > test[1:5,1:5]
  4.      HALLMARK_TNFA_SIGNALING_VIA_NFKB HALLMARK_HYPOXIA
  5. [1,] "JUNB"                           "PGK1"          
  6. [2,] "CXCL2"                          "PDK1"          
  7. [3,] "ATF3"                           "GBE1"          
  8. [4,] "NFKBIA"                         "PFKL"          
  9. [5,] "TNFAIP3"                        "ALDOA"         
  10.      HALLMARK_CHOLESTEROL_HOMEOSTASIS HALLMARK_MITOTIC_SPINDLE
  11. [1,] "FDPS"                           "ARHGEF2"               
  12. [2,] "CYP51A1"                        "CLASP1"                
  13. [3,] "IDI1"                           "KIF11"                 
  14. [4,] "FDFT1"                          "KIF23"                 
  15. [5,] "DHCR7"                          "ALS2"                  
  16.      HALLMARK_WNT_BETA_CATENIN_SIGNALING
  17. [1,] "MYC"                              
  18. [2,] "CTNNB1"                           
  19. [3,] "JAG2"                             
  20. [4,] "NOTCH1"                           
  21. [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）