Question

有没有办法像这样拆分字符串？

A1BG\tAAAGGGCGTTCACCGG\t2 A1BG\tAAGATAGCATCCCACT\t1

我想用“ \”分隔，以计算文件中有多少个基因（在这种情况下为A1BG）和有多少个代码（例如AAAGGGCGTTCACCGG和AAGATAGCATCCCACT）。我在下面的尝试未成功。

strsplit(mydf, '\')[[1]]

有人可以帮我吗？

Answer 1

我们可以尝试在正则表达式模式\b[ACGT]{16}\b上进行匹配，然后计算输入字符串中的匹配数：

x <- "A1BG\tAAAGGGCGTTCACCGG\t2 A1BG\tAAGATAGCATCCCACT\t1"
matches <- regmatches(x, gregexpr("\\b[ACGT]{16}\\b", x, perl=TRUE))[[1]]
length(matches)

[1] 2

如果一个基因中碱基对的数目可能不完全是16个，那么请尝试选择一个基因长度，在这种情况下，该长度将导致正确的计数（例如10到20个碱基对之间）。

Answer 2

您似乎有一个格式不正确的TSV（制表符分隔的值）表。如果将空格换成换行符，则可以将其作为表读取，而无需设置自己的解析规则：

x <- "A1BG\tAAAGGGCGTTCACCGG\t2 A1BG\tAAGATAGCATCCCACT\t1"
x2 <- gsub(" ", "\n", x)

library(data.table)
DT = setnames(fread(x2), c("gene", "code", "num"))[]

#    gene             code num
# 1: A1BG AAAGGGCGTTCACCGG   2
# 2: A1BG AAGATAGCATCCCACT   1

然后您可以计算每个基因有多少个密码

DT[, .N, by=gene]
# or 
DT[, .(N = uniqueN(code)), by=gene]

#    gene N
# 1: A1BG 2

或类似地使用dplyr的count和n_distinct函数。

Answer 3

我们可以使用str_count

library(stringr)
str_count(str1, "[ACGT]{16}")
#[1] 2

如果要拆分，请在标签（\t）上拆分

strsplit(str1, "\t")

数据

str1 <- "A1BG\tAAAGGGCGTTCACCGG\t2 A1BG\tAAGATAGCATCCCACT\t1"

Answer 4

尝试：

strsplit(mydf, "\", perl = TRUE)

拆分并计数出现次数

4 个答案:

数据