如何在R中编辑colnames？

Question

我有一个名为 name 的变量，我想将其设置为我的矩阵的列名，但在此之前，我需要编辑名为 name

>name
[722] "TCGA-OL-A66N-01A-12R-A31S-13.isoform.quantification.txt"
[723] "TCGA-OL-A66O-01A-11R-A31S-13.isoform.quantification.txt"
[724] "TCGA-OL-A66P-01A-11R-A31S-13.isoform.quantification.txt"

我想在第四个 -

之前保留字母

预期产出：

  >name
    [722] "TCGA-OL-A66N-01A"
    [723] "TCGA-OL-A66O-01A"
    [724] "TCGA-OL-A66P-01A"

有人会帮我在R中实现这个吗？

Answer 1

正则表达式＆＃34; [＆＃34;运算符定义了一个字符类，在字符类中定义了＆＃34; ^＆＃34;第一个位置的算子做否定;

?regex
?sub

sub("^([^-]*[-][^-]*[-][^-]*[-][^-]*)([-].*$)", "\\1", name)
[1] "TCGA-OL-A66N-01A" "TCGA-OL-A66O-01A" "TCGA-OL-A66P-01A"

这比str_split方法

更简单（IMO）

 sapply( lapply( strsplit(name, "\\-"), "[", 1:4),   
                # extracted the first 4 elements from each list element returned by strsplit
         paste, collapse="-")  # 'collapse' needed rather than 'sep'

#[1] "TCGA-OL-A66N-01A" "TCGA-OL-A66O-01A" "TCGA-OL-A66P-01A"

Answer 2

如果尺寸变化/不能保证nchar，您可以使用str_split_fixed()中的stringr。

stringr解决方案：

library(stringr)

name <- c(
    "TCGA-OL-A66N-01A-12R-A31S-13.isoform.quantification.txt",
    "TCGA-OL-A66O-01A-11R-A31S-13.isoform.quantification.txt",
    "TCGA-OL-A66P-01A-11R-A31S-13.isoform.quantification.txt")

apply(str_split_fixed(name,"-",5)[,1:4],1,paste0,collapse="-")

会给你什么：

## "TCGA-OL-A66N-01A" "TCGA-OL-A66O-01A" "TCGA-OL-A66P-01A"

解释

• str_split_fixed(name,"-",5)

根据name

的前5个部分将5的每个向量元素拆分为-个部分

• [,1:4]

保留每个name元素的前4个部分（结果矩阵的列）

• apply(...,1,paste0,collapse="-")

将它们粘贴在一起使用"-"折叠以恢复名称（按行）

---

但如果我有很多名字呢？

我在这里将stringr + apply()方法与@BondedDust grep方法和基本strsplit方法进行比较。

首先，让我们将它提升到一万个名字：

name <- rep(name,3.334e3)

然后是一个微基准：

microbenchmark(
  stringr_apply = apply(str_split_fixed(name,"-",5)[,1:4],1,paste0,collapse="-"),
  grep_ninja = sub("^([^-]*[-][^-]*[-][^-]*[-][^-]*)([-].*$)", "\\1", name),
  strsplit = sapply( lapply( strsplit(name, "\\-"), "[", 1:4), paste, collapse="-"), 
  times=25)

并获得：

#  Unit: milliseconds
#  expr             min       lq    median        uq       max    neval
# stringr_apply 845.44542 874.5674 899.27849 941.22628 976.88903    25
# grep_ninja     25.51796  25.7066  25.85404  25.95922  27.89165    25
# strsplit      115.10626 123.2645 126.45171 130.10334 147.39517    25

似乎base模式匹配/替换会更好地扩展......大约一秒钟或比最慢的方式快30倍。

Answer 3

我想你可能想要substr：

names <- substr(names,start=1,stop=16)
colnames(myDF) <- names

这将使用您指定的子字符串覆盖原始names。 names是您的名称变量，start是第一个字符，stop是最后一个字符。然后，您可以使用names覆盖data.frame或其他任何内容的名称。

Answer 4

stringr包的另一个选项（虽然比@ BondedDust的答案慢得多）：

library('stringr')
str_match(name, "^([^-]*[-][^-]*[-][^-]*[-][^-]*)")[, 1]

Answer 5

如果所有第五组字母数字以R结尾，

> txt <- c("TCGA-OL-A66N-01A-12R-A31S-13.isoform.quantification.txt",
           "TCGA-OL-A66O-01A-11R-A31S-13.isoform.quantification.txt",
           "TCGA-OL-A66P-01A-11R-A31S-13.isoform.quantification.txt")

> gsub("-[0-9]{2}R.*", "", txt)
# [1] "TCGA-OL-A66N-01A" "TCGA-OL-A66O-01A" "TCGA-OL-A66P-01A"

或者相同的块始终以1开头，但不会以R结尾。

> gsub("-[1-9]{2}[A-Z]{1}.*", "", txt)

你也可以在strsplit中使用正则表达式，我在其他回复中没有看到太多。

> unlist(strsplit(txt, "-[1-9]{2}[A-Z].*"))
# [1] "TCGA-OL-A66N-01A" "TCGA-OL-A66O-01A" "TCGA-OL-A66P-01A"

我寻找一个好的模式，以避免写一个过长，混乱的正则表达式。