如何在R中读取此文件

我有以下文件：

GroupA Whatever1 A B C
GroupB Whatever2 C D
GroupC Whatever3 E F G H

第1列和第2列应视为单独的列。每行的其余部分不应在制表符处拆分，而应成为第三列。下面是一个丑陋的方法：

foo <- read.table( text="GroupA Whatever1 A B C
GroupB Whatever2 C D
GroupC Whatever3 E F G H", fill=T, header=F)
foo2 <- data.frame( foo$V1, foo$V2, 
  V3=apply( foo[,-c(1,2)], 1, 
    function(x) paste0( x, collapse="\t")))

---

有更好的办法吗？最好是不需要先拆分然后再粘贴列的列？表中的一些行非常非常长。

可能是tidyr

> library(tidyr)
> unite(foo,foo_all,V3:V6,sep = "\t")
      V1        V2    foo_all
1 GroupA Whatever1  A\tB\tC\t
2 GroupB Whatever2   C\tD\t\t
3 GroupC Whatever3 E\tF\tG\tH

---

我会考虑一个字符串分割函数，它可以指定生成的片段的数量。例如，您可以使用“stringi”包中的

stri\u split\u fixed

这里，我假设您使用了

readLines

从文件中获取文本：

text <- c("GroupA Whatever1 A B C", 
          "GroupB Whatever2 C D", 
          "GroupC Whatever3 E F G H")

library(stringi)

stri_split_fixed(text, " ", 3, simplify = TRUE)
#      [,1]     [,2]        [,3]     
# [1,] "GroupA" "Whatever1" "A B C"  
# [2,] "GroupB" "Whatever2" "C D"    
# [3,] "GroupC" "Whatever3" "E F G H"

---

text为什么不使用
awk
对数据集进行一些命令行操作呢？（或其他语言，如python、perl等）

这里是一个使用
awk
的解决方案。首先，您需要知道数据集的最大列数：

foo=$(awk "BEGIN{max=0} {if(NF>max) max=NF} END{print max}" dataset_file_name)

现在，您可以使用awk脚本，将刚刚计算的参数传递给它，并将输出重定向到新文件：

awk -f my_script.awk -v max=$foo dataset_file_name > my_new_dataset

在R中，必须指定分隔符（空白）：

[注意：
cut
的分隔符是选项卡，如果列分隔符不同，请使用
-d
选项（有关更多信息
cut--help
）。]

实际上，我看不出使用这种方法有什么真正的优势。。。但是我认为
cut
命令在其他一些场合可能有用。
这有一个缺点，即我仍然需要读取文件foo，不必要地将行剩余部分拆分为列。文件很大，有些行很长（数千个制表符分隔的名称），因此read.table创建了一个包含数千列的数据框，其中大部分为空。@January刚想出来…也许可以使用data.table中的
fread
单独读取列组。@January…更广泛地说，看起来readr和data.table的文件输入函数都是针对常规表格数据的。但它们都很快。使用这些工具之一读取完整文件，然后在内存中折叠它，可能不会有太大的损失。@joran，
fread
不会读取不规则（非矩形）数据。在
read.table
中没有与
fill=TRUE
等价的内容。目前，我已经解决了这一问题，方法是不使用分隔符（所有内容都在一列中）进行读取，并使用gsub将字符串拆分为三列。源文件中有分隔符还是只有空格？另外，前两列中是否有空格？
awk -f my_script.awk -v max=$foo dataset_file_name > my_new_dataset

bar <- read.table("my_new_dataset", sep=" ")

{
  printf("%s %s ", $1, $2);
  for(i=3; i<NF; i++) printf("%s/t", $i);
  printf("%s", $NF)
  if(NF<max)
    for(i=1; i<(max=1-NF); i++) printf("\t");
  printf("\n");
}

cut -f -2 dataset_file_name > dataset_columns_1_2
cut -f 3- dataset_file_name > dataset_rest_of_columns