在R语言中按column3唯一值拆分输出文件并保持格式的方法

需求说明 #

现有文件file.txt，内容如下：

column1 column2 column3 column4 column5 column6 column7 column8 column9 column10    column11    column12    column13    column14    column15    column16
1 chr1_10000044_A_T_b38 ENSG00000280113.2 171773 29 30 0.02 0.33 0.144 0.14 chr1 10000044 A T chr1 10060102 
2 chr7_10000044_A_T_b38 ENSG00000178585.14 -58627 29 30 0.024 0.26 0.16 0.15 chr7 10000044 A T chr7 18054785
4 chr1_10000044_A_T_b38 ENSG00000280113.2 89708 29 30 0.0 0.03 -0.0 0.038 chr1 10000044 A T chr1 18054638
5 chr1_10000044_A_T_b38 ENSG00000231181.1 -472482 29 30 0.02 0.16 0.11 0.07 chr1 10000044 A T chr1 18052645
6 chr8_304959_A_T_b38 ENSG00000178585.14 -586 60 30 0.026 0.76 0.16 0.15 chr7 10000044 A T chr7 18054785

需要按照column3中的唯一值拆分文件，每个唯一值对应一个输出文件，示例如下：

• 对应ENSG00000280113.2的文件内容：

column1 column2 column3 column4 column5 column6 column7 column8 column9 column10    column11    column12    column13    column14    column15    column16
1 chr1_10000044_A_T_b38 ENSG00000280113.2 171773 29 30 0.02 0.33 0.144 0.14 chr1 10000044 A T chr1 10060102 
4 chr1_10000044_A_T_b38 ENSG00000280113.2 89708 29 30 0.0 0.03 -0.0 0.038 chr1 10000044 A T chr1 18054638

• 对应ENSG00000178585.14的文件内容：

column1 column2 column3 column4 column5 column6 column7 column8 column9 column10    column11    column12    column13    column14    column15    column16
2 chr7_10000044_A_T_b38 ENSG00000178585.14 -58627 29 30 0.024 0.26 0.16 0.15 chr7 10000044 A T chr7 18054785
6 chr8_304959_A_T_b38 ENSG00000178585.14 -586 60 30 0.026 0.76 0.16 0.15 chr7 10000044 A T chr7 18054785

实现方法 #

方法1：基础R原生函数实现 #

无需额外安装包，用原生函数即可完成：

# 读取文件，自动识别任意空白字符作为分隔符
df <- read.table("file.txt", header = TRUE, sep = "", stringsAsFactors = FALSE)

# 按column3列分组
split_groups <- split(df, df$column3)

# 遍历每个分组，写入对应文件
lapply(names(split_groups), function(group_name) {
  write.table(
    split_groups[[group_name]],
    file = paste0(group_name, ".txt"),  # 用分组值作为文件名
    sep = " ",  # 保持原文件的空格分隔格式
    row.names = FALSE,  # 不输出行号
    quote = FALSE  # 不为字符串添加引号
  )
})

方法2：tidyverse工具链实现（简洁风格） #

如果习惯使用tidyverse系列包，可以用以下代码：

# 首次使用需安装包
# install.packages(c("dplyr", "purrr", "readr"))
library(dplyr)
library(purrr)
library(readr)

# 读取文件
df <- read_table("file.txt")

# 分组并批量写入文件
df %>%
  group_split(column3) %>%
  walk(function(sub_df) {
    filename <- paste0(unique(sub_df$column3), ".txt")
    write_delim(sub_df, filename, delim = " ", col_names = TRUE)
  })

补充说明 #

• 输出文件名默认用column3的唯一值命名，比如ENSG00000280113.2.txt，如需自定义格式，可修改paste0(group_name, ".txt")部分，例如改成paste0("result_", group_name, ".txt")
• 读取文件时，read.table(sep="")和read_table()都会自动识别任意空白分隔符，适配原文件格式
• 如果原文件是制表符分隔，可将sep参数改为"\t"

内容的提问来源于stack exchange，提问作者HKJ3