通过计算特定字符来子集字符串答案

【问题标题】：Subset string by counting specific characters通过计算特定字符来子集字符串
【发布时间】：2019-05-25 18:53:33
【问题描述】：

我有以下字符串：

strings <- c("ABBSDGNHNGA", "AABSDGDRY", "AGNAFG", "GGGDSRTYHG")

我想切断字符串，只要A，G和N的出现次数达到一定值，比如3。那么，结果应该是：

some_function(strings)

c("ABBSDGN", "AABSDG", "AGN", "GGG")

我尝试使用stringi、stringr 和正则表达式，但我无法弄清楚。

【问题讨论】：

标签： r regex gsub stringr stringi

【解决方案1】：

您可以通过从 stringr 包中简单地调用 str_extract 来完成您的任务：

library(stringr)

strings <- c("ABBSDGNHNGA", "AABSDGDRY", "AGNAFG", "GGGDSRTYHG")

str_extract(strings, '([^AGN]*[AGN]){3}')
# [1] "ABBSDGN" "AABSDG"  "AGN"     "GGG"

正则表达式模式的[^AGN]*[AGN] 部分表示要查找零个或多个非 A、G 或 N 的连续字符，然后是 A、G 或 N 的一个实例。用圆括号和大括号进行附加换行，像这样([^AGN]*[AGN]){3}，表示连续查找该模式三遍。您可以通过更改花括号中的整数来更改 A、G、N 的出现次数：

str_extract(strings, '([^AGN]*[AGN]){4}')
# [1] "ABBSDGNHN"  NA           "AGNA"       "GGGDSRTYHG"

有几种方法可以使用基本 R 函数来完成您的任务。一种是使用regexpr，后跟regmatches：

m <- regexpr('([^AGN]*[AGN]){3}', strings)
regmatches(strings, m)
# [1] "ABBSDGN" "AABSDG"  "AGN"     "GGG"

或者，您可以使用sub：

sub('(([^AGN]*[AGN]){3}).*', '\\1', strings)
# [1] "ABBSDGN" "AABSDG"  "AGN"     "GGG"

【讨论】：

我不认为它可以比单线 str_extract(strings, '([^AGN]*[AGN]){3}') 更好。不错！

【解决方案2】：

这只是 Maurits Evers neat solution 没有 strsplit 的版本。

sapply(strings,
       function(x) {
         raw <- rawToChar(charToRaw(x), multiple = TRUE)
         idx <- which.max(cumsum(raw %in% c("A", "G", "N")) == 3)
         paste(raw[1:idx], collapse = "")
       })
## ABBSDGNHNGA   AABSDGDRY      AGNAFG  GGGDSRTYHG 
##   "ABBSDGN"    "AABSDG"       "AGN"       "GGG"

或者，略有不同，没有strsplit 和paste：

test <- charToRaw("AGN")
sapply(strings,
       function(x) {
         raw <- charToRaw(x)
         idx <- which.max(cumsum(raw %in% test) == 3)
         rawToChar(raw[1:idx])
       })

【讨论】：

【解决方案3】：

使用gregexpr 识别模式的位置，然后提取第n 个位置(3) 并使用subset 将所有从1 的内容子串到第n 个位置。

nChars <- 3
pattern <- "A|G|N"
# Using sapply to iterate over strings vector
sapply(strings, function(x) substr(x, 1, gregexpr(pattern, x)[[1]][nChars]))

PS：

如果有一个字符串没有 3 个匹配，它将生成NA，因此您只需在最终结果上使用na.omit。

【讨论】：

不错！ substr 是矢量化的，所以我会像这样简化你的最后一行：substr(strings, 1, map_int(gregexpr(pattern, strings), nChars))，其中使用了来自 purrr 的 map_int。

【解决方案4】：

有趣的问题。我创建了一个函数（见下文）来解决您的问题。假设您的任何字符串中只有字母，没有特殊字符。

 reduce_strings = function(str, chars, cnt){

  # Replacing chars in str with "!"
  chars = paste0(chars, collapse = "")
  replacement = paste0(rep("!", nchar(chars)), collapse = "")
  str_alias = chartr(chars, replacement, str) 

  # Obtain indices with ! for each string
  idx = stringr::str_locate_all(pattern = '!', str_alias)

  # Reduce each string in str
  reduce = function(i) substr(str[i], start = 1, stop = idx[[i]][cnt, 1])
  result = vapply(seq_along(str), reduce, "character")
  return(result)
}

# Example call
str = c("ABBSDGNHNGA", "AABSDGDRY", "AGNAFG", "GGGDSRTYHG") 
chars = c("A", "G", "N") # Characters that are counted
cnt = 3 # Count of the characters, at which the strings are cut off
reduce_strings(str, chars, cnt) # "ABBSDGN" "AABSDG" "AGN" "GGG"

【讨论】：

【解决方案5】：

这是使用strsplit的基本R选项

sapply(strsplit(strings, ""), function(x)
    paste(x[1:which.max(cumsum(x %in% c("A", "G", "N")) == 3)], collapse = ""))
#[1] "ABBSDGN" "AABSDG"  "AGN"     "GGG"

或者在tidyverse

library(tidyverse)
map_chr(str_split(strings, ""), 
    ~str_c(.x[1:which.max(cumsum(.x %in% c("A", "G", "N")) == 3)], collapse = ""))

【讨论】：