我之前写了一篇(类似的)帖子在这里,当时我试图创建一个宽表而不是长表。但我意识到最好将我的表格设置为长格式,因此我将其作为另一个问题发布。我也会发布我已经尝试过的内容。
我正在使用R
通过rbind来连接大约11,000个文件:
# get list of ~11000 files
lfiles <- list.files(pattern = "*.tsv", full.names = TRUE)
# row-bind the files
# use rbindlist to rbind and fread to read files
# use mclapply I am assigning 32 cores to it
# add the file basename as the id to identify rows
dat <- rbindlist(mclapply(lfiles, function(X) {
data.frame(id = basename(tools::file_path_sans_ext(X)),
fread(X))},mc.cores = 32))
我使用R语言是因为我需要进行后续处理,如创建图形等。我的问题有两个:
1. 是否有方法可以使我的代码更加高效/快速? 我知道最终期望的行数,因此是否预分配数据框会有帮助?
2. 我应该用什么格式保存这些庞大的数据——是.RData还是数据库或其他文件格式?
额外信息:我有三种类型的文件需要处理,它们看起来像这样:
[centos@ip data]$ head C021_0011_001786_tumor_RNASeq.abundance.tsv
target_id length eff_length est_counts tpm
ENST00000619216.1 68 26.6432 10.9074 5.69241
ENST00000473358.1 712 525.473 0 0
ENST00000469289.1 535 348.721 0 0
ENST00000607096.1 138 15.8599 0 0
ENST00000417324.1 1187 1000.44 0.0673096 0.000935515
ENST00000461467.1 590 403.565 3.22654 0.11117
ENST00000335137.3 918 731.448 0 0
ENST00000466430.5 2748 2561.44 162.535 0.882322
ENST00000495576.1 1319 1132.44 0 0
[centos@ip data]$ head C021_0011_001786_tumor_RNASeq.rsem.genes.norm_counts.hugo.tab
gene_id C021_0011_001786_tumor_RNASeq
TSPAN6 1979.7185
TNMD 1.321
DPM1 1878.8831
SCYL3 452.0372
C1orf112 203.6125
FGR 494.049
CFH 509.8964
FUCA2 1821.6096
GCLC 1557.4431
[centos@ip data]$ head CPBT_0009_1_tumor_RNASeq.rsem.genes.norm_counts.tab
gene_id CPBT_0009_1_tumor_RNASeq
ENSG00000000003.14 2005.0934
ENSG00000000005.5 5.0934
ENSG00000000419.12 1100.1698
ENSG00000000457.13 2376.9100
ENSG00000000460.16 1536.5025
ENSG00000000938.12 443.1239
ENSG00000000971.15 1186.5365
ENSG00000001036.13 1091.6808
ENSG00000001084.10 1602.7165
任何帮助都将不胜感激!
谢谢!
setnames(lfiles, basename(lfiles))
是做什么的?它不会起作用,因为lfiles不是一个数据框。 - Komal Rathisetattr
,它也适用于列表。 - talat