如何在R中导入夹杂额外信息的制表符分隔数据？

实现思路 #

• 逐行读取文件，跳过#开头的无关内容
• 捕获>开头行的文本，作为对应数据块的来源标识
• 读取每个数据块的表头和数据行，将来源标识作为新列加入，最终合并所有数据

Python代码实现 #

import pandas as pd

data_blocks = []
current_source = None
current_header = None

# 替换为你的.result文件路径
with open('target_file.result', 'r') as file:
    for line in file:
        stripped_line = line.strip()
        # 跳过空行和注释行
        if not stripped_line or stripped_line.startswith('#'):
            continue
        
        # 捕获数据来源标识
        if stripped_line.startswith('>'):
            current_source = stripped_line[1:].strip()
            current_header = None  # 重置表头，准备读取新数据块
            continue
        
        # 读取表头
        if current_header is None:
            current_header = stripped_line.split()
            continue
        
        # 处理数据行，加入来源列
        data_vals = stripped_line.split()
        data_row = dict(zip(current_header, data_vals))
        data_row['data_source'] = current_source
        data_blocks.append(data_row)

# 合并为最终DataFrame
final_df = pd.DataFrame(data_blocks)
# 可选：将原表头列转换为数值类型
final_df[current_header] = final_df[current_header].apply(pd.to_numeric)

# 查看结果
print(final_df)

额外说明 #

• 采用逐行读取模式，适合处理大体积的.result文件，避免内存过载
• 用split()处理空白分隔的行，兼容制表符或多空格分隔的格式
• 自动将>后的文本作为data_source列添加到对应的数据行中，满足数据来源标识需求

内容的提问来源于stack exchange，提问作者Hilarius.Bookbinder