在R语言中解析含ID/SUB分段的固定宽度文本生成data.frame

我明白你现在的困境——这种带上下文依赖的分段文本确实不好处理，光用readLines读进来后，没法直接用常规的固定宽度读取函数（比如read.fwf）处理，因为ID和SUB段的长度不固定，还需要关联前面的Header和ID信息。下面是一个分步的解决方案，能帮你把文本解析成期望的两个data.frame：

步骤说明 #

核心思路是先把所有文本拆分成单个元素的向量，然后遍历这些元素，追踪当前的上下文（Header、ID、Aa），再分别提取ID段和SUB段的记录，最后组合成data.frame。

完整代码实现 #

# 1. 读取文本数据（如果是本地文件，把textConnection替换成你的文件路径，比如"your_file.txt"）
raw_text <- readLines(textConnection("Header 1 METRIC 0.30 10.00 ID K0107050 Aa 0.06 15.24 14.40 14.40 7.13 0.13 0.19 1 0.17 14.35 13.57 13.57 6.40 0.12 0.18 1 SUB 1.000 1.000 0.093 0.11 0.11 301 1.000 1.000 0.093 0.11 0.11 61 ID K0129050 Aa 0.06 26.35 24.90 24.90 10.88 0.62 0.88 1 0.15 25.35 23.96 23.96 10.93 0.55 0.74 1 SUB 3.000 3.000 0.506 0.53 0.53 102 4.000 4.000 0.514 0.55 0.55 118"))

# 2. 将所有文本拆分成单个元素的向量（按空格分割）
all_elements <- unlist(strsplit(raw_text, "\\s+"))

# 3. 初始化变量：追踪上下文信息，存储记录的列表
current_header <- NULL
current_id <- NULL
current_aa <- NULL
df1_records <- list()  # 存储ID段的记录
df2_records <- list()  # 存储SUB段的记录

# 4. 遍历所有元素，解析分段内容
i <- 1
while (i <= length(all_elements)) {
  current_element <- all_elements[i]
  
  if (current_element == "Header") {
    # 提取Header信息（比如"Header 1"）
    current_header <- paste(all_elements[i], all_elements[i+1])
    i <- i + 2  # 跳过已处理的两个元素
  } else if (current_element == "METRIC") {
    # METRIC段是无关信息，直接跳过后面的两个数值
    i <- i + 3
  } else if (current_element == "ID") {
    # 提取当前ID和Aa标签
    current_id <- all_elements[i+1]
    current_aa <- all_elements[i+2]
    
    # ID段包含两组数据，每组10个数值，分别生成两条DF1记录
    # 第一条ID记录
    record1 <- c(current_header, current_id, current_aa, all_elements[(i+3):(i+12)])
    df1_records[[length(df1_records) + 1]] <- record1
    # 第二条ID记录
    record2 <- c(current_header, current_id, current_aa, all_elements[(i+13):(i+22)])
    df1_records[[length(df1_records) + 1]] <- record2
    
    i <- i + 23  # 跳过ID、Aa和两组10个数值，共22个元素，所以i+23
  } else if (current_element == "SUB") {
    # SUB段包含两组数据，每组6个数值，分别生成两条DF2记录
    # 第一条SUB记录
    sub_record1 <- c(current_header, current_id, current_aa, all_elements[(i+1):(i+6)])
    df2_records[[length(df2_records) + 1]] <- sub_record1
    # 第二条SUB记录
    sub_record2 <- c(current_header, current_id, current_aa, all_elements[(i+7):(i+12)])
    df2_records[[length(df2_records) + 1]] <- sub_record2
    
    i <- i + 13  # 跳过SUB和两组6个数值，共12个元素，所以i+13
  } else {
    # 遇到意外元素，直接跳过
    i <- i + 1
  }
}

# 5. 将记录列表转换为data.frame，并设置列名
DF1 <- as.data.frame(do.call(rbind, df1_records), stringsAsFactors = FALSE)
colnames(DF1) <- c("Header", "ID", "Aa", paste0("Value_", 1:10))

DF2 <- as.data.frame(do.call(rbind, df2_records), stringsAsFactors = FALSE)
colnames(DF2) <- c("Header", "ID", "Aa", paste0("SubValue_", 1:6))

# 查看结果
print("DF1结果：")
print(DF1)
print("\nDF2结果：")
print(DF2)

代码解释 #

• 拆分文本：用strsplit把整行文本拆成单个元素，这样能精准控制每个分段的位置。
• 上下文追踪：在遍历过程中记录当前的Header、ID和Aa，确保SUB段能关联到最近的ID信息。
• 分段解析：针对ID和SUB段的固定数据组数（每组10/6个数值），分别提取并生成记录，保证每条记录都包含完整的上下文和数据。
• 转换为data.frame：用do.call(rbind, ...)把列表转成矩阵再转成data.frame，同时设置有意义的列名。

这个方案能完美匹配你给出的示例数据，如果你实际文件的分段结构有细微调整（比如每组数据的长度变化），只需要修改代码中对应的索引范围即可。

内容的提问来源于stack exchange，提问作者user2325155