xml到dataframe错误，因为列的下标重复

Question

我只是尝试将一个xml文件创建到一个dataframe。我的文件很大，可能是因为这个原因，当我试图这样做的时候，我会收到一个错误。错误是followingL：[<-.data.frame中的错误(*tmp*，i，names(nodes[i])，value =c(图形= "“)，：重复的列下标，我使用的代码就是：

breast_cancer <- xmlParse("breastcancerkegg.xml")

xmldaraframe <- xmlToDataFrame("breastcancerkegg.xml")

如果需要xml文件的示例，请参阅以下genome.jp/pathway/hsa05224+H 00031

<?xml version="1.0"?>
<!DOCTYPE pathway SYSTEM "https://www.kegg.jp/kegg/xml/KGML_v0.7.2_.dtd">
<!-- Creation date: Apr 11, 2018 17:05:28 +0900 (GMT+9) -->
<pathway name="path:hsa05224" org="hsa" number="05224"
         title="Breast cancer"
         image="https://www.kegg.jp/kegg/pathway/hsa/hsa05224.png"
         link="https://www.kegg.jp/kegg-bin/show_pathway?hsa05224">
    <entry id="2" name="path:hsa05224" type="map"
        link="https://www.kegg.jp/dbget-bin/www_bget?hsa05224">
        <graphics name="TITLE:Breast cancer" fgcolor="#000000" bgcolor="#FFFFFF"
             type="roundrectangle" x="123" y="58" width="165" height="25"/>
    </entry>
    <entry id="6" name="hsa:2099 hsa:2100" type="gene"
        link="https://www.kegg.jp/dbget-bin/www_bget?hsa:2099+hsa:2100">
        <graphics name="ESR1, ER, ESR, ESRA, ESTRR, Era, NR3A1..." fgcolor="#000000" bgcolor="#BFFFBF"
             type="rectangle" x="710" y="187" width="46" height="17"/>
    </entry>
    <entry id="7" name="hsa:2099 hsa:2100" type="gene"
        link="https://www.kegg.jp/dbget-bin/www_bget?hsa:2099+hsa:2100">
        <graphics name="ESR1, ER, ESR, ESRA, ESTRR, Era, NR3A1..." fgcolor="#000000" bgcolor="#BFFFBF"
             type="rectangle" x="1041" y="187" width="46" height="17"/>
    </entry>
    <entry id="9" name="cpd:C00951" type="compound"
        link="https://www.kegg.jp/dbget-bin/www_bget?C00951">
        <graphics name="C00951" fgcolor="#000000" bgcolor="#FFFFFF"
             type="circle" x="237" y="190" width="8" height="8"/>
    </entry>
    <entry id="11" name="hsa:1956" type="gene"
        link="https://www.kegg.jp/dbget-bin/www_bget?hsa:1956">
        <graphics name="EGFR, ERBB, ERBB1, HER1, NISBD2, PIG61, mENA" fgcolor="#000000" bgcolor="#BFFFBF"
             type="rectangle" x="325" y="593" width="46" height="17"/>
    </entry>

有什么想法吗？

Answer 1

这是对OP评论的回答:如何访问XML文档中的特定节点。

比起xml2库，我更喜欢XML库。推荐使用xml2小体阅读/参考资料。

理解数据格式

第一步是在XML浏览器或纯文本编辑器中打开文件，查看文档的结构。我们可以看到有一个pathway节点，包含多个entry和relation节点。每个entry节点包含一个graphics节点，每个relation节点包含一个subtype节点。

加载XML文件

library(xml2)
xml <- read_xml('hsa05224.xml')

提取所有entry节点

entries <- xml_find_all(xml, "/pathway//entry")

在这里，路径中的/引用文档的根，//用于将节点与其子节点分开。

entries现在将是由130个项目(节点)组成的列表。每个节点可以有多个属性和多个子节点。属性有唯一的名称，子属性可以有相同的名称。

从单个节点获取信息

> # print entire node
> entries[[1]]
{xml_node}
<entry id="2" name="path:hsa05224" type="map" link="https://www.kegg.jp/dbget-bin/www_bget?hsa05224">
[1] <graphics name="TITLE:Breast cancer" fgcolor="#000000" bgcolor="#FFFFFF" type="roundrectangle" x="123" y="58" width="165" height="25"/>
 
> # get node path
> xml_path(entries[[1]])
[1] "/pathway/entry[1]"
 
> # get vector of all attributes
> xml_attrs(entries[[1]])
                                               id                                              name                                              type 
                                              "2"                                   "path:hsa05224"                                             "map" 
                                             link 
"https://www.kegg.jp/dbget-bin/www_bget?hsa05224" 
 
> # get specific attributes
> xml_attr(entries[[1]], 'name')
[1] "path:hsa05224"

> xml_attr(entries[[1]], 'link')
[1] "https://www.kegg.jp/dbget-bin/www_bget?hsa05224"
 
> # get node name
> xml_name(entries[[1]])
[1] "entry"
 
> # get all sub-nodes inside node
> kids <- xml_children(entries[[1]])

在最后一步中，我们提取了所有子节点，在每个子节点上我们可以再次执行相同的操作，例如：

> xml_path(kids[[1]])
[1] "/pathway/entry[1]/graphics"

> xml_attrs(kids[[1]])
                 name               fgcolor               bgcolor                  type                     x                     y 
"TITLE:Breast cancer"             "#000000"             "#FFFFFF"      "roundrectangle"                 "123"                  "58" 
                width                height 
                "165"                  "25" 

> xml_name(kids[[1]])
[1] "graphics"

从这些文档中手动提取数据主要涉及大量的for()和/或lapply()-calls。