[問題] R 語言讀取序列資料

[ariainaqua (把渚送上本壘吧！)]

[問題類型]:
R 語言讀取長短不一的序列資料問題

[軟體熟悉度]:
入門(對 R 語法不太熟悉)

[問題敘述]:

目前想讀取 22 萬筆序列資料(input.csv)如下格式:

a,b,c,a,gcc,aka,c,t
a,b,c,g,gcc,a,nv,qc,c,ntt,ntt1,ntt2,g,ncc,nv
a,sgt,c,a,org,com,ggc,bbc,qc,c,b,ncc,gov,gov,gov,ntt1,ntt2,fb,app,la,d,e,fb,fe
t,
a,b,c,a,gcc,d,sgt,c,fet,1394,1394,1394,fet,fet,org
a,sgt,c,org
...

每一筆資料長短不同，最長為 10,143 個項目；最短 2 個項目。
如果直接用 read.csv 或 read.table 讀取的話無法將全部的數列儲存為 data.frame，
最大只有 71 行，另外就是原本同一行的資料會被拆成 2 行。

> dim(input)
[1] 210220     71
# 只能讀 71 行，且資料少 48,333 筆

> view(input)
57  a   b   a   c   c   c   1394   c   c   c   org   c   c   c   c   1394   ..
.
58  skt skt skt skt
# 57, 58 在原始資料為同一筆(列)

想請問有沒有更好的資料讀取方式？

後續想接 seqHMM 建立隱馬可夫模型， seqHMM 會呼叫 seqdef {TraMineR} 將 data.fra
me 轉換成模型的輸入格式

謝謝各位前輩的幫忙。感謝 =)


--
Sent from my Windows

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.136.186.27
※ 文章網址: https://www.ptt.cc/bbs/R_Language/M.1496627319.A.360.html
※ 編輯: ariainaqua (114.136.186.27), 06/05/2017 09:54:07
※ 編輯: ariainaqua (114.136.186.27), 06/05/2017 09:58:32
※ 編輯: ariainaqua (114.136.186.27), 06/05/2017 10:06:50
→ Wush978: Try two package: text2vec or FeatureHashing
→ ariainaqua: 謝謝 Wush 的建議，只是轉換成特徵向量是不是就不適合
→ ariainaqua: 使用 HMM 了?
→ Wush978: 我不知道耶，要看你HMM的實做了
→ Wush978: 不然就用strsplit硬幹，或是寫Rcpp在C++裡面處理
→ ariainaqua: 喔喔！原來使用 text2vec 的 ifiles 就可以了，太感
→ ariainaqua: 謝了 =)