如何在R中正确导入列数不固定的无表头多列TXT数据集？

问题背景 #

无表头TXT数据集存在部分行因缺少rg:字段导致列数不一致的情况，使用readr::read_table()导入时出现值列错位、数据混杂的问题。

数据集示例：

>chr22_KI270739v1_random  AC:KI270739.1  gi:568335374  LN:73985  rg:chr22  rl:unlocalized  M5:760fbd73515fedcc9f37737c4a722d6a  AS:GRCh38
>chrY_KI270740v1_random  AC:KI270740.1  gi:568335373  LN:37240  rg:chrY  rl:unlocalized  M5:69e42252aead509bf56f1ea6fda91405  AS:GRCh38
>chrUn_KI270302v1  AC:KI270302.1  gi:568335372  LN:2274  rl:unplaced  M5:ee6dff38036f7d03478c70717643196e  AS:GRCh38
>chrUn_KI270304v1  AC:KI270304.1  gi:568335371  LN:2165  rl:unplaced  M5:9423c1b46a48aa6331a77ab5c702ac9d  AS:GRCh38

原导入代码：

all_chr_GATKbundle <- read_table("all_ch_GATKbundle.txt", col_names = F)

导入后出现列错位，例如部分行的M5:字段被挤入错误列。

解决方案 #

方法1：按行读取后拆分键值对（推荐） #

由于每条记录的字段均为key:value格式，无论是否缺失rg，都可按键值对拆分后整理为规范数据框：

library(tidyverse)

# 按行读取所有内容
lines <- read_lines("all_ch_GATKbundle.txt")

# 处理每行：拆分字段→提取键值对→合并为数据框
all_chr_GATKbundle <- lines %>%
  map_dfr(function(line) {
    # 按空格拆分字段（忽略连续空格）
    fields <- str_split(line, "\\s+")[[1]]
    # 拆分每个字段的key与value
    key_value <- str_split(fields, ":", n = 2)
    # 转换为键值对列表后转成数据框行
    as_tibble(set_names(map(key_value, 2), map(key_value, 1)))
  })

该方法会自动为缺失字段（如rg）填充NA，所有值将精准对应到正确列。

方法2：统一每行的列数后导入 #

若坚持使用read_table，可先预处理每行，为缺失rg的行补全占位符：

# 读取所有行
lines <- read_lines("all_ch_GATKbundle.txt")

# 为无rg:的行在LN:后插入rg:NA占位符
processed_lines <- str_replace(lines, "(LN:\\d+)\\s+(rl:)", "\\1 rg:NA \\2")

# 写入临时文件后导入
write_lines(processed_lines, "temp_processed.txt")
all_chr_GATKbundle <- read_table("temp_processed.txt", col_names = c("chr_id", "AC", "gi", "LN", "rg", "rl", "M5", "AS"))

处理后所有行均为8列，导入后不会出现错位，缺失的rg值为NA。

方法3：使用基础R的read.delim自动填充 #

基础R的read.delim支持fill=TRUE自动填充缺失列，需指定正确分隔符：

all_chr_GATKbundle <- read.delim("all_ch_GATKbundle.txt", header = FALSE, sep = " ", fill = TRUE, stringsAsFactors = FALSE, strip.white = TRUE)
# 手动命名列
colnames(all_chr_GATKbundle) <- c("chr_id", "AC", "gi", "LN", "rg", "rl", "M5", "AS")

注意：该方法依赖缺失字段的位置固定（如均缺失第5列rg），否则仍可能错位，可靠性不如方法1。

内容的提问来源于stack exchange，提问作者Saeed