解析字符串并将其拆分为 R答案

【问题标题】：Parsing String and splitting it in R解析字符串并将其拆分为 R
【发布时间】：2018-09-20 01:35:04
【问题描述】：

我在处理 R 中的字符串时遇到了某种正则表达式问题。

我有 RNAfold 软件提供的数据结构，如下所示：

"....(((..(((((((((.(.((((((((((((.........)))))))) ))).))))))))..))).."

这是 miRNA 的典型二级结构，但我也有其他不是 miRNA 的序列，看起来有点像这样：

...((((.....))))............(((((((((...)(..(((..( (((...(((((.....)))).))...))).))).))...))))))).. .....

第二个序列有两个发夹环，一个在开头，另一个在中间，而第一个序列只有一个发夹环在中间。

点（“.”）表示未配对的核苷酸，而“（”表示与其对应的核苷酸配对，表示为“）”。

我想拆分这个字符串，以便我可以得到结构中的词干。

我想得到的输出是：

输入：

[1] "....(((..((((((((.(((((((((((.........))))))))))).))))))))..))).."

输出：

[1] "....(((..((((((((.(((((((((((........."
[2] "))))))))))).))))))))..))).."

这样我就可以数出分割的字符串数和词干数了。

第二个序列的结果是：

输入：

[1] ...((((.....))))...........(((((((...((..(((..((((...((((((.....)))).))...)))).))).))...))))))).......

输出：

[1] "...((((....."
[2] "))))...........(((((((...((..(((..((((...((((((....."
[3] ")))).))...)))).))).))...)))))))......."

所以本质上，我想要的是解析字符串，以便在找到“）”符号时将它们拆分，保留字符串的所有符号。

我已经尝试过使用 strplit() 和一些正则表达式变体，但我没能找到诀窍...

有什么帮助吗？

谢谢

【问题讨论】：

如果x 是您的字符串，您可以使用strsplit(x, "\\((?=(\\.+\\)))", perl = TRUE)[[1]]，但这会将点保留在新字符串的开头而不是前一个字符串的结尾
啊啊，差异与我想要的无关。非常感谢！！！！
我真的不明白您的预期结果应该是什么，以及在这种情况下您所说的“茎”是什么意思：茎环结构的“茎”通常是 配对的 地区。目前尚不清楚这如何对应于您想要的输出。 — 话虽如此，这是一个众所周知的非常规字符串，这意味着正则表达式是分析它的错误工具。你也许可以用正则表达式破解一些东西，但我真诚的建议是，不要——改用正确的工具：上下文无关语法。

标签： r regex strsplit

【解决方案1】：

您可以执行lookahead 并查找以右括号结尾的点，这些点紧跟在左括号之后。

x <- c("....(((..((((((((.(((((((((((..))))))))))).))))))))..)))..", 
       "...((((.....))))...........(((((((...((..(((..((((...((((((.....)))).))...)))).))).))...))))))).......")
strsplit(x, "\\((?=(\\.+\\)))", perl = TRUE)
# [[1]]
# [1] "....(((..((((((((.(((((((((("  "..))))))))))).))))))))..))).."
# 
# [[2]]
# [1] "...((("  ".....))))...........(((((((...((..(((..((((...((((("
# [3] ".....)))).))...)))).))).))...)))))))......."

【讨论】：

【解决方案2】：

如果您想计算字符，这样做可能更方便：

x <- "...((((.....))))...........(((((((...((..(((..((((...((((((.....)))).))...)))).))).))...)))))))......."


with(rle(strsplit(x, "")[[1]]), setNames(lengths, values))
##  .  (  .  )  .  (  .  (  .  (  .  (  .  (  .  )  .  )  .  )  .  )  .  )  .  )  . 
##  3  4  5  4 11  7  3  2  2  3  2  4  3  6  5  4  1  2  3  4  1  3  1  2  3  7  7

【讨论】：

【解决方案3】：

您可以使用 DavidArenburg 的 逻辑获得您指定的输出，但有所不同 - David 使用 lookahead 正则表达式来查找该模式之前的 ( .{N}) 其中N 可以是任何数字。可变长度的lookbehind（其中模式包含未指定的# of a 字符）是理想的，但不起作用（不允许读取）。诀窍是反转字符串以使用可变长度的前瞻，就像可变长度的后瞻可能操作一样。

数据

S <- c("....(((..((((((((.(((((((((((.........))))))))))).))))))))..)))..", "...((((.....))))...........(((((((...((..(((..((((...((((((.....)))).))...)))).))).))...))))))).......")

功能

reverse_string <- function(S) {
    paste(rev(unlist(strsplit(S, ""))), collapse="")
}

myfun <- function(S) {
    T <- reverse_string(S)
    result <- unlist(strsplit(T, "\\)(?=(\\.+\\())", perl = TRUE))
    setNames(rev(sapply(result, function(i) reverse_string(i))), NULL)
}

结果

lapply(S, myfun)

# [[1]]
# [1] "....(((..((((((((.(((((((((((........."
# [2] ")))))))))).))))))))..))).."            

# [[2]]
# [1] "...((((....."                                       
# [2] ")))...........(((((((...((..(((..((((...((((((....."
# [3] "))).))...)))).))).))...)))))))......."

【讨论】：