Question

我希望解析数据集并将其与我在R中已经制作的树匹配。我正在尝试简化提示标签以与我的系统发育树匹配。

例如来自“gi | 399148998 | gb | JN638572 |”并将其简化为“JN638572”（入藏号）;我需要这样做61次（61个样本）。每个入藏号也从同一个位置开始。

## thanks for the data serban
set.seed(1)

mydat <- replicate(61, paste0(paste0(sample(letters,2), collapse=""),"|",
                              round(runif(1,1e8,1e9-1)),"|",
                              paste0(sample(letters,2), collapse=""),"|",
                              paste0(sample(LETTERS,2), collapse=""),
                              round(runif(1,1e6,1e7-1)),"|"))
head(mydat)
# [1] "gj|615568026|xf|XZ6947179|" "qb|285377117|er|JT5479293|" "sy|442031661|ux|FQ2129996|"
# [4] "gj|112051300|jv|IM6396092|" "me|844635986|rt|CS4701469|" "vq|804639485|on|UA5295070|"

Answer 1

我建议你不要在R中使用for循环。 R可以执行整个矢量操作。对于您的特定实例，应该这样做：

 library(stringr)
 #Generate some data: 
 mydat <- replicate(61, paste0(paste0(sample(letters,2), collapse=""),"|",
                                round(runif(1,1e8,1e9-1)),"|",
                                paste0(sample(letters,2), collapse=""),"|",
                                paste0(sample(LETTERS,2), collapse=""),
                                round(runif(1,1e6,1e7-1)),"|"))
head(mydat)
[1] "pg|451576916|kj|FV9562908|" "dt|707843618|sj|KZ3658708|" 
    "lb|507989738|lc|ML2309736|" "nb|448725577|fo|DW1950100|"
[5] "iv|337265231|us|CR5163970|" "ew|254260770|rw|LB2404167|"
 #Stuff you actually need:     
 results <- str_match(mydat, ".{2}\\|.*\\|.{2}\\|(.*)\\|")[,2]
 #Results:
 head(results)  
 [1] "FV9562908" "KZ3658708" "ML2309736" "DW1950100" "CR5163970" "LB2404167"

我正在使用正则表达式，它代表正则表达式。由于＆＃34;贪心＆＃34;它只适用".*\\|(.*)\\|"。口译员，但我已经让它变得更加复杂，以便更容易解释.{Nr}告诉它忽略Nr个字符，而.*告诉它忽略尽可能多的字符到达模式的下一部分，即\\|。 |是一个特殊字符，必须＆＃34;转义＆＃34;使用\\，以便正则表达式处理器可以改为采用字面意思。括号是＆＃34;捕获组＆＃34;，即您想要返回的内容。

str_match是stringr库中的一个函数（您可能必须使用install.packages("stringr")安装），如果找到匹配项，它会在第一列中返回整个模式，然后下一列将成为第一个捕获组。我只使用[,2]表示法返回第二列。

从R中的字符串集中提取模式

1 个答案: