数据存储格式小知识：tar、gz、tar.gz、mtx、tsv、csv大揭秘！

我们在做数据分析时，会遇到不同的作者提供的各种各样的文件格式，一点都不统一。尤其是单细胞数据，格式更是多样。

例如这个GSE176078数据，它提供的格式就很杂乱，我不止一次发现很多同学并不认识这些格式！

我问：你的数据是什么格式？

回答tar的也有，回答gz的也有。tar和gz可不是真正的文件格式啊！

打包和压缩格式

🔖 TAR：想象一下，你有一堆文件想要打包带走，TAR就是那个打包盒。它将多个文件捆绑在一起，方便备份和传输。但它本身并不压缩，想要变小，还得找帮手👇。

🗜️ GZ：GZ就是那个帮手，它是GNU项目出品的压缩专家，能让文件体积大大减小，节省空间。

⚠虽然windows电脑上的gz文件图标像一个文件夹，但它不是文件夹哦。

gz只能压缩一个文件，如果要压缩多个文件，那就使用zip或者是先打包（tar）再压缩👇。

🧳 TAR.GZ：当TAR遇上GZ，就有了TAR.GZ。它结合了TAR的打包和GZ的压缩，是GEO数据库里非常常见的文件存储格式。

要查看别人提供的打包和压缩文件，需要解包和解压，用代码或者用解压软件都可以，例如7zip，右键一点，一看就会。

纯文本格式

或许不学编程时，并不知道表格还有除了xlsx之外的格式。

xlsx是excel的电子表格，他不是纯文本，不够纯粹，很多地方打开不方便。

套用我神奇的曾老板的一句名言：

电脑上的文件只分两类，一类是文本，一类是灰(非)文本！

所以tsv、txt和csv其实没有本质的区别，只是列与列之间的分隔符不同罢了！

这些文件都可以用excel打开，但你在excel里面是看不到分隔符的，因为excel是表格视图，它的竖线其实就是靠分隔符识别而来的。

比如一个csv文件：

如果用sublime或者记事本这类文件打开，就可以看到文件具体的分隔符 ，如果写代码要用到，就知道该写什么分隔符了。

📊 tsv：制表符分隔值，制表符在代码里写作\t，键盘上q前面的tab键按一下就是大概4个空格的宽度，那就是制表符，xlsx文件的分隔符也是制表符。

📋 csv：逗号分隔值。

🔖 txt：空格或者制表符分隔值。

mtx格式

🔢 mtx：只有单细胞数据才会用到mtx格式。10X的标准数据就是3个文件，其实上面的tar.gz里面就是3个文件：

它其实是把一个单细胞表达矩阵拆成3部分，行名列名各是一个tsv，主体部分非零的值，才记录在mtx文件里，主体部分每一行有三个数字，第一个是行号，第二个是列号，第三个是具体的值，没记录的全都是0。

例如这个文件里，总共有32738行，2700列，2286884个非零的值。后面几行则是：

第32709行，第1列的值为4，

第32709行，第1列的值为1...以此类推。

❓那它为什么不直接给咱一个表格文件呢，还要这样一个一个的写？

当然是因为单细胞矩阵里面0值太多，如果你去计算一下2286884/(32738*2700）你会发现只占到2.5%,也就是说绝大多数的格子里都是0，全部提供就太占地方了，所以才有了mtx这种格式，节省空间。

了解这些文件格式，才能知道自己该怎么提取数据和读取它们，读取不同格式的单细胞数据文件，墙裂推荐这一篇：https://mp.weixin.qq.com/s/KVsWoX6hCDl9TAgPR45NiA。