Question

我有一个这样的数据框：

    > dns1
               variant_id         gene_id pval_nominal
21821  chr1_165656237_T_C_b38 ENSG00000143149  1.24119e-05
21822 chr1_165659346_C_CA_b38 ENSG00000143149  1.24119e-05
21823  chr1_165659350_A_G_b38 ENSG00000143149  1.24119e-05
21824  chr1_165659415_A_G_b38 ENSG00000143149  1.24119e-05
21825  chr1_165660430_T_C_b38 ENSG00000143149  1.24119e-05
21826  chr1_165661135_T_G_b38 ENSG00000143149  1.24119e-05
21827  chr1_165661238_C_T_b38 ENSG00000143149  1.24119e-05
...

我想从第二列（variant_id）中删除所有字符，只提取第二个数字，看起来像这样：

我尝试过：

dns1$variant_id <- gsub('[^0-9.]','',dns1$variant_id)

但是使用上面的命令，我得到了：

> dns1
      variant_id         gene_id pval_nominal
21821    116565623738 ENSG00000143149  1.24119e-05
21822    116565934638 ENSG00000143149  1.24119e-05
21823    116565935038 ENSG00000143149  1.24119e-05
21824    116565941538 ENSG00000143149  1.24119e-05
...

所以这将匹配variant_id列中的所有数字，而我需要获取16565623738而不是116565623738。所以问题是如何在第二列中仅匹配第二个数字？

Answer 1

您可以使用

dns1$variant_id <- sub('^[^_]*_(\\d+).*', '\\1', dns1$variant_id)

请参见regex demo

详细信息

^-字符串的开头
[^_]*-除_以外的0多个字符
_-下划线
(\\d+)-第1组：一个或多个数字
.*-字符串的其余部分。

sub函数将仅对每个字符串执行一次搜索和替换操作，而替换中的\1后向引用将把组1中的内容放回去。

Online R demo：

variant_id <- c("chr1_165656237_T_C_b38", "chr1_165659346_C_CA_b38")
dns1 <- data.frame(variant_id)
dns1$variant_id <- sub('^[^_]*_(\\d+).*', '\\1', dns1$variant_id)
dns1
##=> variant_id
## 1  165656237
## 2  165659346

Answer 2

我相信您可以按以下方式捕获数字：

gsub(".*?_([[:digit:]]+)_.*", "\\1", dns1$variant_id)

Answer 3

这是一个超级hacky解决方案，它同时使用gsub和str_replace（来自stringr）。我确定有更好的解决方案，并且这要求variant_id始终以chr1_开头，这可能不公平。

dns1$variant_id <- gsub('_(.*)','', str_replace(dns1$variant_id, 'chr1_',''))

Answer 4

以下是使用stringr的选项：

library(stringr)

df <-
  data.frame(variant_id = c("chr1_165656237_T_C_b38",
                            "chr1_165659346_C_CA_b38",
                            "chr1_165659350_A_G_b38",
                            "chr1_165659415_A_G_b38",
                            "chr1_165660430_T_C_b38",
                            "chr1_165661135_T_G_b38",
                            "chr1_165661238_C_T_b38"))

df$variant_id_extract <-
  str_replace(df$variant_id, "^.+_(\\d+)_.+$", "\\1")

df
#>                variant_id variant_id_extract
#> 1  chr1_165656237_T_C_b38          165656237
#> 2 chr1_165659346_C_CA_b38          165659346
#> 3  chr1_165659350_A_G_b38          165659350
#> 4  chr1_165659415_A_G_b38          165659415
#> 5  chr1_165660430_T_C_b38          165660430
#> 6  chr1_165661135_T_G_b38          165661135
#> 7  chr1_165661238_C_T_b38          165661238

Answer 5

您可以使用

dns$variant_id_new <- sapply(strsplit(as.character(dns$variant_id), "_"), unlist)[2,]

从逻辑上讲，这首先将variant_id中的所有字符串除以_。 sapply(,unlist)将其转换为矩阵，在此我们取第二行（用于第二个变量）。

如何从R中的字符串中提取数字？

5 个答案: