Convertir TSV a XLSX

Las tuberías de secuenciación, las tablas de expresión diferencial, los ficheros de anotación, los registros de instrumental, las descargas de las consolas de búsqueda y los informes de las plataformas de publicidad salen separados por tabuladores, y la mayoría no ofrece ninguna alternativa. El tabulador se eligió porque las descripciones, los nombres de campaña y los títulos de página están llenos de comas, y es la elección correcta para un formato de transporte.

No es un formato de trabajo. El fichero no lleva tipos de columna, ni anchos, ni panel inmovilizado, ni ninguna defensa contra lo que ocurre a continuación, que es que alguien lo abre en Excel porque ahí es donde el análisis va a suceder de verdad. Esa apertura es el paso peligroso, y es exactamente el paso que esta conversión sustituye.

Excel importando texto aplica su propia interpretación a cada valor, y parte de esa interpretación es un analizador de fechas con una red muy amplia. Un valor 1-2 se convierte en una fecha. Nombres de gen como SEPT1 o MARCH1 se convierten en fechas. Las cadenas de dígitos largas pierden los ceros delante y las muy largas se reescriben en notación científica.

No es un rumor ni un fallo antiguo. Se midió en la literatura de genómica y afectaba a una fracción sustancial de las tablas suplementarias publicadas, y acabó resolviéndose renombrando un conjunto de genes humanos en lugar de arreglando la hoja de cálculo, lo cual dice bastante sobre lo difícil que es deshacerlo. Y es indeshacible por un motivo concreto: el texto original ya no está, la celda guarda un número de serie de fecha y no queda nada que registre qué caracteres lo produjeron.

La conversión lee el fichero delimitado y escribe un libro, y en ningún momento ejecuta el analizador de fechas de Excel. Un valor 1-2 sigue siendo los tres caracteres 1-2, SEPT1 sigue siendo SEPT1 y una fecha escrita como texto sigue siendo esa cadena. Cada uno se escribe en la celda como texto, y la celda lleva su tipo escrito dentro.

Esa última parte es lo que hace que la protección aguante. Una celda de XLSX registra qué clase de valor contiene, así que cuando Excel abre el libro muestra lo que hay en lugar de volver a interpretarlo. La coerción solo ocurre al importar texto sin tipar, y cuando el libro llega a Excel ya no queda texto sin tipar. Abre el .tsv directamente y tendrás la coerción; abre el .xlsx que sale de aquí y no.

Este es el caso que ninguna página en inglés menciona y que aquí aparece constantemente. La deducción de tipos reconoce números escritos con punto decimal, que es lo que producen las herramientas anglosajonas. Un valor escrito 12,5 no encaja en ese molde y llega a la celda como texto.

La consecuencia es incómoda porque es silenciosa: en un Excel configurado en español, una celda de texto que pone 12,5 se ve idéntica a una celda numérica que pone 12,5, y no suma. La diferencia sí es visible por la alineación —el número se pega a la derecha y el texto a la izquierda—, así que la primera comprobación al abrir el libro es mirar de qué lado están tus columnas de importes. Si el fichero viene con coma decimal y las columnas tienen que calcular, la sustitución hay que hacerla en el origen antes de convertir.

Esto no es una negativa general a interpretar nada, y presentarlo así sería deshonesto. Un campo que se lee como número corriente se convierte en celda numérica, que es justo lo que quieres para recuentos, valores p, importes, impresiones y costes: llegan listos para ordenar y para calcular.

El precio lo pagan los códigos con ceros delante. Un código postal escrito 08001 llega como el número 8001, y una referencia interna o una posición de placa que dependan del relleno lo pierden. Si esas columnas importan, la defensa está en el origen: una exportación con la columna entrecomillada, o con un prefijo no numérico, llega como texto. Merece la pena revisar una columna de códigos en el libro antes de construir nada encima.

La misma negativa que salva 1-2 se aplica a una columna de fechas auténtica: una fecha escrita en el fichero llega como texto, no como valor de fecha, así que no ordena cronológicamente y la aritmética de fechas no funciona sobre ella hasta que la conviertas dentro de Excel.

Ese es el lado deliberado del cambio, y está en el sentido correcto. Convertir una columna de texto en fechas dentro de Excel es una operación que haces a sabiendas sobre una columna que has mirado, indicando de forma explícita el formato y, muy importante en español, si va primero el día o el mes. Convertir de vuelta una columna de fechas creada por error en los identificadores que era antes no se puede hacer. Trabajar un poco en las columnas que sí son fechas es mucho mejor posición que descubrir que algunas de las que no lo son se han convertido en fechas.

Un fichero delimitado contiene una tabla, así que el libro tiene una hoja. Se llama como el fichero sin su extensión, recortado a los treinta y un caracteres que un nombre de hoja admite, de manera que una exportación con un nombre largo y descriptivo se corta en lugar de rechazarse.

Lo que no lleva el libro es todo lo demás que asociarías a una hoja de cálculo preparada: no hay formatos de celda, ni anchos de columna, ni fórmulas, ni panel inmovilizado, ni filtros. Es la tabla y nada más. Eso es coherente con lo que había en el origen, porque un fichero de tabuladores tampoco llevaba nada de eso, pero conviene saberlo antes de esperar un libro presentable.

La fila de cabecera fija las columnas y todas las filas siguientes se cotejan con ella, así que un campo nuevo que aparece a partir de la fila diez mil no gana una columna propia. Los valores sobrantes se recogen aparte, en una columna al final con un nombre que no estaba en tu fichero, y solo en los registros que los traen.

Las filas a las que les falta un campo reciben una celda vacía en lugar de un valor desplazado, que es el fallo que produce un troceador ingenuo y el más difícil de detectar. Así que las dos direcciones de la irregularidad se ven en sitios distintos: de menos, como un hueco en la fila; de más, como una columna al extremo derecho con un encabezado que nadie escribió. Las dos son señales de que la exportación se montó a partir de varias ejecuciones.

Una hoja de cálculo admite 1.048.576 filas contando la cabecera, y 16.384 columnas. Es un límite del formato de fichero y no de esta conversión, y ninguna herramienta puede escribir una hoja mayor.

Las matrices de expresión, los registros de eventos y las exportaciones completas de palabras clave pasan esa línea con regularidad. Cuando ocurre, la respuesta honesta es que la hoja de cálculo es el instrumento equivocado y no que haga falta un conversor más grande: filtra o agrega la tabla antes de convertir, o lleva el mismo fichero a Parquet y consúltalo en un motor analítico, donde unos millones de filas no son nada. Repartir una exportación grande entre varias hojas es técnicamente posible y analíticamente miserable, porque cada fórmula pasa a tener que saber en qué hoja está cada fila.

Una columna de observaciones o de descripción con un salto de línea dentro es genuinamente insegura en un fichero de tabuladores: la fila termina donde el valor pretendía continuar, y todos los recuentos posteriores salen mal. Un tabulador pegado dentro de un valor hace lo mismo de forma más callada, añadiendo una columna a partir de esa fila.

Un libro no tiene esa fragilidad. Un salto de línea dentro de una celda es un salto de línea dentro de una celda, y un tabulador es un carácter corriente. Si una exportación te viene dando recuentos de filas distintos según la herramienta que la lea, convertirla es tanto un diagnóstico razonable como una solución: el recuento de filas del libro es autoritativo de una manera que el del fichero de texto nunca fue.

Las dos mitades se ejecutan en esta página: el analizador de texto delimitado es JavaScript corriente y el escritor de hojas de cálculo es una biblioteca que se carga bajo demanda. Ninguna petición lleva el fichero, así que un conjunto de resultados sin publicar, los datos de campaña de un cliente o una tabla con identificadores de personas no se copian a un tercero solo para poder abrirlos.

El límite es la memoria y el tope de 100 MB por fichero, no un plan de pago. La tabla entera se sostiene mientras se monta el libro, de modo que decenas de megabytes se convierten sin ceremonia y a partir de unos centenares la pestaña empieza a sufrir, que es aproximadamente donde llega también el techo de filas de una hoja: las dos restricciones tienden a morder a la vez.

Consérvalo si el siguiente paso es un guion. R y las bibliotecas de análisis de Python lo leen con una línea y ambas permiten declarar los tipos de columna de forma explícita, que es una garantía más fuerte que la que puede ofrecer ninguna conversión. Un libro no aporta nada a esa tubería y quita la posibilidad de comparar versiones línea a línea.

Consérvalo además como copia de archivo en cualquier caso. La conversión lee como números los valores que lo parecen, así que el libro no es un registro fiel byte a byte de la exportación, y el fichero original es lo único que puede zanjar una discusión sobre qué contenía una columna. Y si la tabla va a consultarse una y otra vez en lugar de leerse, Parquet es mejor destino y sale del mismo origen.