读取纯文本
最近遇到一个问题，需要读取MsigDB/h.all.v7.2.symbols.gmt 文件进行分析：
这个文件有点奇葩呀，应该是对应每个开头的两个字符对应通路名和通路的网页注释页面，而字符与字符间通过制表符 t 间隔，而每一组（通路名开头）文字间，通过换行符 n 间隔：
尝试用read.table 读取一下：
代码语言：javascript复制> a <- read.table("MsigDB/h.all.v7.2.symbols.gmt")
Error in scan(file = file, what = what, sep = sep, quote = quote, dec = dec, :
line 3 did not have 202 elements
看来是不等长的内容。
这时候就祭出readLines 函数。类似py 中的readlines 方法，同样，R 的函数也会逐行（识别）
x_line <- readLines("MsigDB/h.all.v7.2.symbols.gmt")
ps：发现对于gmt 已经有成熟的函数read.gmt 了：
纯文本-> 列表
果然文本按照换行符分隔为50个向量，readLines 会按照换行符分隔读取，每个换行符读取一个元素：
代码语言：javascript复制> length(x_line)
[1] 50
> sapply(as.list(x_line[1:2]), function(x) substr(x, 1, 100))
[1] "HALLMARK_TNFA_SIGNALING_VIA_NFKBthttp://www.gsea-msigdb.org/gsea/msigdb/cards/HALLMARK_TNFA_SIGNALIN"
[2] "HALLMARK_HYPOXIAthttp://www.gsea-msigdb.org/gsea/msigdb/cards/HALLMARK_HYPOXIAtPGK1tPDK1tGBE1tPFKLtA"
'strsplit 函数将文本按照换行符切割：
x_split <- strsplit(x_line, "t")
每个向量会被按照指定符号切割，每个向量会被转换为列表对象，列表中的元素为按照换行符拆开的一个个元素。
接着我们需要将该列表元素再进行一些处理：
代码语言：javascript复制names(x_split) <- vapply(x_split, function(x) x[1], character(1)) # 将每个列表的第一个元素，也就是通路名，作为列表名
x_split <- lapply(x_split, "[",-c(1,2)) # 删除每个列表中的前两个元素
# 这里 "[" 方法可以理解为 function(x) x[-c(1,2)]
length(names(x_split))
head(names(x_split))
[1] "HALLMARK_TNFA_SIGNALING_VIA_NFKB"
[2] "HALLMARK_HYPOXIA"
[3] "HALLMARK_CHOLESTEROL_HOMEOSTASIS"
[4] "HALLMARK_MITOTIC_SPINDLE"
[5] "HALLMARK_WNT_BETA_CATENIN_SIGNALING"
[6] "HALLMARK_TGF_BETA_SIGNALING"
纯文本-> 数据框
直接do.call 连接就可：
代码语言：javascript复制test <- do.call('cbind', x_split)
> test[1:5,1:5]
HALLMARK_TNFA_SIGNALING_VIA_NFKB HALLMARK_HYPOXIA
[1,] "JUNB" "PGK1"
[2,] "CXCL2" "PDK1"
[3,] "ATF3" "GBE1"
[4,] "NFKBIA" "PFKL"
[5,] "TNFAIP3" "ALDOA"
HALLMARK_CHOLESTEROL_HOMEOSTASIS HALLMARK_MITOTIC_SPINDLE
[1,] "FDPS" "ARHGEF2"
[2,] "CYP51A1" "CLASP1"
[3,] "IDI1" "KIF11"
[4,] "FDFT1" "KIF23"
[5,] "DHCR7" "ALS2"
HALLMARK_WNT_BETA_CATENIN_SIGNALING
[1,] "MYC"
[2,] "CTNNB1"
[3,] "JAG2"
[4,] "NOTCH1"
[5,] "DLL1"
但对于不等长的列表元素，一定要小心使用cbind 连接，因为不等长的连接会自动删除那些过长的列表中的元素（木桶中最短的那根板）
