Question

假设我有一个字符串数组，如：

sa<-c("HLA:HLA00001 A*01:01:01:01 1098 bp",
      "HLA:HLA01244 A*01:01:02 546 bp",
      "HLA:HLA01971 A*01:01:03 895 bp")

我的问题是将它转换为数据框的最佳方法是什么，例如：

  Seq          Type             Length
1 HLA:HLA00001 A*01:01:01:01    1098 bp
2 HLA:HLA01244 A*01:01:02       546 bp
3 HLA:HLA01971 A*01:01:03       895 bp

Answer 1

使用‹dplyr›和‹tidyr›软件包，这很简单：

将数据放入data_frame，
separate列：

data_frame(sa) %>%
    separate(sa, c('Seq', 'Type', 'Length'), sep = ' ', extra = 'drop', convert = TRUE)

Source: local data frame [3 x 3]

           Seq          Type Length
         (chr)         (chr)  (int)
1 HLA:HLA00001 A*01:01:01:01   1098
2 HLA:HLA01244    A*01:01:02    546
3 HLA:HLA01971    A*01:01:03    895

这（有意）将单元从最后一列中删除，该列现在是冗余的（因为它总是相同的），并将其转换为整数。如果您想保留它，请改用extra = 'merge'。

您可以通过应用另一个函数进一步分隔Type列，与separate非常相似，但指定匹配的部分：{{3 }}。此功能允许您提供extract（必须学习的工具，如果您还不知道它！），它指定要匹配的文本部分。这些部分在括号中：

'(A\\*\\d{2}:\\d{2}):(.*)'

这意味着：提取两个组 - 第一个组包含字符串“A*”，后跟两个数字，“:”和另外两个数字。在分离“:”之后，第二组包含了所有其余文本（我希望我已经正确地捕获了HLA等位基因的规范，我从未使用过这种类型的数据）。

与上面的代码放在一起：

data_frame(sa) %>%
    separate(sa, c('Seq', 'Type', 'Length'), sep = ' ', extra = 'drop', convert = TRUE) %>%
    extract(Type, c('Group', 'Allele'), regex = '(A\\*\\d{2}:\\d{2}):(.*)')

Source: local data frame [3 x 4]

           Seq   Group Allele Length
         (chr)   (chr)  (chr)  (int)
1 HLA:HLA00001 A*01:01  01:01   1098
2 HLA:HLA01244 A*01:01     02    546
3 HLA:HLA01971 A*01:01     03    895

Answer 2

使用read.table，这需要一些额外的努力，因为你想要保留在一起的列中的分隔符：

df <- read.table(text = sa, col.names = c("Seq", "Type", "Length", "Unit"))
df$Length <- paste(df$Length, df$Unit)
df[,-4]
#            Seq          Type  Length
# 1 HLA:HLA00001 A*01:01:01:01 1098 bp
# 2 HLA:HLA01244    A*01:01:02  546 bp
# 3 HLA:HLA01971    A*01:01:03  895 bp

Answer 3

使用此

as.data.frame.matrix(do.call(rbind,strsplit(sa,"\\s")))

Answer 4

另一个使用stringr的简单解决方案：

library(stringr)
df <- as.data.frame(str_split_fixed(sa, " ", 3))
colnames(df) <- c("Seq", "Type", "Length")

#           Seq          Type  Length
#1 HLA:HLA00001 A*01:01:01:01 1098 bp
#2 HLA:HLA01244    A*01:01:02  546 bp
#3 HLA:HLA01971    A*01:01:03  895 bp

将字符串数组转换为R中的数据帧

4 个答案: