Question

我有data.frame有两列，如下所示

dat

    ID                             Details                         
    id_1        box1_homodomain gn=box1 os=homo sapiens p=4 se=1   
    id_2        sox2_plurinet gn=plu os=mus musculus p=5 se=3

我想在所有ID的“详细信息”列中拆分“os = xxx”和gn =“yyy”，并将其打印如下：

    Id   Description        gn      os               
   Îd_1  box1_homodomain    box1    homo sapiens   
   Id_2  sox2_plurinet      plu     mouse musculus

我尝试在R中使用gsub方法但是我无法将os = homo sapiens和gn = box1分成各自的列。我使用的以下R代码

dat$gn=gsub('^[gn=][A-z][A-z]`,dat$Details)
dat$os=gsub('^[os=][A-z][A-z]`,dat$Details)

任何人都可以告诉我哪些错误以及如何纠正错误。请帮助我。

提前致谢

Answer 1

这是tidyr的一个选项：

library(tidyr)
# specify the new column names:
vars <- c("Description", "gn", "os")
# then separate the "Details" column according to regex and drop extra columns:
separate(dat, Details, into = vars, sep = "[A-Za-z]+=", extra = "drop")
#    ID      Description    gn            os
#1 id_1 box1_homodomain  box1  homo sapiens 
#2 id_2   sox2_plurinet   plu  mus musculus

Answer 2

1）sub和gsub 要使用sub和gsub执行此操作，请尝试此操作。请注意，每个正则表达式应与dat$Details的所有正则表达式匹配，以便在我们将其替换为捕获组时，仅保留捕获组。对于问题评论中的dat$GO，我们会移除所有内容，但不包括P:，请用逗号替换所有;P，并删除P:之后删除分号和所有内容。同样适用于F和C：

data.frame(dat[1], 
   Description = sub(" .*", "", dat$Details),
   gn = sub(".*gn=(.*) os=.*", "\\1", dat$Details),
   os = sub(".*os=(.*) p=.*", "\\1", dat$Details),
   P = gsub("P:|;.*", "", gsub(";P:", ",", sub(".*?P:", "P:", dat$GO))),
   F = gsub("F:|;.*", "", gsub(";F:", ",", sub(".*?F:", "F:", dat$GO))),
   C = gsub("C:|;.*", "", gsub(";C:", ",", sub(".*?C:", "C:", dat$GO))))

，并提供：

    ID     Description   gn           os       P       F       C
1 id_1 box1_homodomain box1 homo sapiens p_1,p_2     F_1 C_1,C_2
2 id_2   sox2_plurinet  plu mus musculus     p_1 F_1,F_2     C_1

2）read.pattern dat$Details的{{1}} (link)处理read.pattern稍微容易一点，因为可以定义< em>单个正则表达式，其捕获组代表感兴趣的字段。通过使用dat$GO gsubfn package提取P:...字段，然后将其与strapplyc连接在一起，可以简化paste的处理（与{{1}相似}}和F字段）：

，并提供：

library(gsubfn)

Sub <- function(string, pat) sapply(strapplyc(string, pat), paste, collapse = ",")

DF <- read.pattern(text = as.character(dat$Details), 
        pattern = "(.*) gn=(.*) os=(.*) p=",
        col.names = c("Description", "gn", "os"),
        as.is = TRUE)

cbind(dat[1], DF,
      P = Sub(dat$GO, "P:(.*?);"),
      F = Sub(dat$GO, "F:(.*?);"),
      C = Sub(dat$GO, "C:(.*?);"))

以下是ID Description gn os P F C 1 id_1 box1_homodomain box1 homo sapiens p_1,p_2 F_1 C_1,C_2 2 id_2 sox2_plurinet plu mus musculus p_1 F_1,F_2 C_1中使用的正则表达式的可视化：

read.pattern

Regular expression visualization

(link)

备注

1）如果(.*) gn=(.*) os=(.*) p=列已经是字符，我们可以省略dat$Details。如果结果中包含as.character列，我们也可以省略as.is=TRUE。

2）问题中的示例输出为factor，但输入为mouse。我们假设在两种情况下都应该是mus。

3）我们将此用于mus：

dat

将来请在问题中发布dat <- structure(list(ID = c("id_1", "id_2"), Details = c("box1_homodomain gn=box1 os=homo sapiens p=4 se=1", "sox2_plurinet gn=plu os=mus musculus p=5 se=3"), GO = c("P:p_1;P:p_2;F:F_1;C:C_1;C:C_2; ", "P:p_1;F:F_1;F:F_2;C:C_1;")), .Names = c("ID", "Details", "GO"), class = "data.frame", row.names = c(NA, -2L))的结果。

Answer 3

您也可以使用正则表达式捕获组。每个捕获组匹配可以用例如提取。 stri_match_first_regex包中的stringi函数。

dat <- data.frame(
   ID=c("id_1", "id_2"),
   details=c("box1_homodomain gn=box1 os=homo sapiens p=4 se=1", "sox2_plurinet gn=plu os=mus musculus p=5 se=3")
)

library(stringi)
res <- stri_match_first_regex(dat$details, "^(.+) gn=(.+) os=(.+) p=.*$")
res[,1] <- dat$ID
res <- as.data.frame(res)
names(res) <- c("ID", "Description", "gn", "os")
res
##   ID     Description   gn           os
## 1  1 box1_homodomain box1 homo sapiens
## 2  2   sox2_plurinet  plu mus musculus

使用正则表达式拆分列中的值

3 个答案: