Converter TSV para XLSX

Pipeline de sequenciamento, tabela de expressão diferencial, arquivo de anotação, log de instrumento, exportação de plataforma de anúncio: todos saem separados por tabulação, e a maioria não oferece alternativa. A tabulação foi escolhida porque descrição de gene, nome de campanha e título de página estão cheios de vírgula, e é a escolha certa para um formato de transporte.

Não é um formato de trabalho. O arquivo não carrega tipo de coluna, largura, congelamento de painel nem defesa contra o que acontece a seguir, que é alguém abrir num programa de planilha porque é ali que a análise de fato vai acontecer. A abertura é a etapa perigosa, e é a que esta conversão substitui.

Ao importar texto, o programa de planilha aplica a própria interpretação a cada valor, e parte dessa interpretação é um leitor de data com uma rede bem larga. "1-2" vira o dia dois de janeiro. Nomes de gene como "MARÇO1" ou "SET1" viram data. Sequência longa de dígito perde o zero à esquerda, e sequência muito longa é reescrita em notação científica.

Isso não é boato nem bug antigo. Já foi medido na literatura de genômica como afetando uma fração considerável de tabelas suplementares publicadas, e acabou sendo resolvido renomeando um conjunto de genes humanos em vez de consertar a planilha — o que mostra quão difícil é desfazer depois que acontece. O motivo de não dar para desfazer é que o texto original se foi: a célula guarda um número serial de data, e não sobra registro nenhum do que gerou aquilo.

A conversão lê o arquivo separado por tabulação e escreve uma planilha, e não roda o interpretador de data em nenhum momento. Um valor como "1-2" continua "1-2", um código como "SET1" continua "SET1", e uma data escrita como texto continua a mesma sequência de caracteres. Cada um deles é escrito na célula como texto, com a célula carregando esse tipo.

Essa última parte é o que faz a proteção durar. Uma célula de XLSX registra que tipo de valor carrega, então quando o Excel ou outro programa abre a planilha, ele exibe o que está ali em vez de reinterpretar. A coerção só acontece na importação de texto sem tipo, e no momento em que a planilha chega pronta não sobra texto sem tipo.

Isso não é uma recusa geral de interpretar qualquer coisa, e seria desonesto apresentar assim. Um campo que lê como número puro vira célula numérica, que é o que você quer para contagem, valor de significância estatística, variação percentual, impressão e custo — chegam prontas para ordenar e calcular.

O custo cai sobre código com zero à esquerda: "00123" vira 123, e uma posição de placa ou uma referência interna que depende do preenchimento perde isso. Vale conferir uma coluna de código na planilha antes de trabalhar nela, já que célula numérica alinha à direita e célula de texto alinha à esquerda, o que torna uma coluna mista visível de relance.

A mesma recusa que salva "1-2" se aplica a uma coluna de data de verdade: um valor como "2024-03-11" é escrito como texto, não como valor de data, então não vai ordenar cronologicamente e cálculo de data não vai funcionar nela até ser convertida dentro do próprio programa de planilha.

Esse é o lado proposital da troca, e é o jeito certo de fazer. Transformar uma coluna de texto em data é uma operação que você executa conscientemente numa coluna que já olhou; transformar de volta uma coluna de data criada por engano nos identificadores que ela era antes não é possível de jeito nenhum. Escolher fazer um pouco de trabalho nas colunas que são datas é uma posição bem melhor do que descobrir que algumas colunas que não eram viraram.

Um arquivo separado por tabulação guarda uma tabela só, então o arquivo de planilha tem uma aba só. Ela é nomeada a partir do nome do arquivo sem a extensão, cortada nos trinta e um caracteres que um nome de aba permite.

A linha de cabeçalho vira a primeira linha da aba e fixa as colunas: toda linha depois é indexada contra ela, então um campo extra que aparece no meio do arquivo não ganha coluna própria. Os valores excedentes são coletados numa coluna nomeada à parte, que é a aba avisando que a exportação está irregular.

Uma aba comporta pouco mais de um milhão de linhas incluindo o cabeçalho, e um número limitado de colunas. Esse é um limite do formato de arquivo, não desta conversão, e nenhuma ferramenta consegue escrever uma aba maior.

Matriz de expressão gênica, log de evento e exportação completa de palavra-chave passam desse limite regularmente. Quando isso acontece, a resposta honesta é que uma planilha é o instrumento errado, não que falta um conversor melhor: filtre ou agregue a tabela antes de converter, ou leve o mesmo arquivo para Parquet e consulte no DuckDB ou pandas, onde alguns milhões de linhas é comum.

Uma coluna de descrição ou anotação contendo quebra de linha é genuinamente insegura num arquivo separado por tabulação: a linha termina onde o valor deveria continuar, e toda contagem adiante fica errada. Uma tabulação colada num valor faz a mesma coisa de forma mais silenciosa, empurrando os campos seguintes para outra coluna.

Uma planilha não tem essa fragilidade. Uma quebra de linha dentro de uma célula é uma quebra de linha dentro de uma célula, e uma tabulação é um caractere comum. Se uma exportação separada por tabulação vinha dando contagens de linha inconsistentes entre ferramentas, converter é um diagnóstico razoável além de um conserto.

As duas metades rodam nesta página: o interpretador do arquivo separado por tabulação é JavaScript comum, e o gravador de planilha é uma biblioteca carregada sob demanda. Nenhum pedido leva o arquivo embora, então um conjunto de resultados não publicado, o dado de campanha de um cliente ou uma tabela ligada a paciente não é copiado a nenhum terceiro para ser aberto.

O limite é a memória, não um plano. A tabela inteira fica carregada de uma vez enquanto a planilha é montada, então dezenas de megabytes convertem sem drama, e centenas de megabytes é onde a aba do navegador começa a sofrer.

Guarde se o próximo passo é um script. Linguagens de análise de dados leem esse formato declarando o tipo de coluna explicitamente, o que é uma garantia mais forte do que qualquer conversão consegue oferecer. Uma planilha não acrescenta nada a esse pipeline e tira a capacidade de comparar versões linha a linha.

Guarde como cópia de arquivo em qualquer caso. A conversão lê valor com cara de número como número, então a planilha não é um registro byte a byte fiel da exportação, e o arquivo original é a única coisa que resolve uma discordância sobre o que uma coluna continha. Onde a tabela vai ser consultada repetidamente em vez de lida, Parquet é o destino melhor.