使用 dplyr 从 R 中的复杂 txt 中选择特定字符串答案

【问题标题】：Select a specific string from a complicated txt in R using dpylr使用 dplyr 从 R 中的复杂 txt 中选择特定字符串
【发布时间】：2021-03-02 23:02:09
【问题描述】：

我已经尝试了很长时间。我的数据框如下所示：

type=c("ID=gene:PFLU_4201;
       biotype=protein_coding;description=putative filamentous adhesin;gene_id=PFLU_4201;
       logic_name=ena", 
       "ID=gene:PFLU_5927;Name=algP1;biotype=protein_coding;
       description=transcriptional regulatory protein algp (alginate regulatory protein algr3);
       gene_id=PFLU_5927;logic_name=ena")

SNP=c(1, 2)

data=data.frame(type, SNP)

我想从类型列中仅隔离字符串 PFLU_*** 和我的数据，使其看起来像这样

type          SNP
PFLU_4201      1
PFLU_5927      2

欢迎任何帮助

【问题讨论】：

标签： r dplyr datatable tidyverse

【解决方案1】：

我们可以在这里使用sub 作为基本 R 选项：

data$type <- sub("^.*\\b(PFLU_\\d+)\\b.*$", "\\1", data$type)
data

       type SNP
1 PFLU_4201   1
2 PFLU_5927   2

使用的样本数据与您在原始问题中提供的数据相同。

【讨论】：

【解决方案2】：

你可以试试这个：

library(stringr)
new_data <- data %>% mutate(
  type = substr(type,str_locate(type,"PFLU_[0-9][0-9][0-9][0-9]")[,"start"],
                str_locate(type,"PFLU_[0-9][0-9][0-9][0-9]")[,"end"]))

如果您希望每行获得多个PFLU _ ****，可以使用str_locate_all 函数。

【讨论】：

【解决方案3】：

假设ID=gene:PFLU_*** 和gene_id=PFLU_*** 始终相同，您可以使用dplyr 和stringr 包中的mutate 和str_extract 函数，它们都是tidyverse 的一部分。

require(tidyverse)
data<-data %>% 
  mutate(type = str_extract(type,"\\bPFLU_[:digit:]+\\b"))

这会导致：

       type SNP
1 PFLU_4201   1
2 PFLU_5927   2

如果有时它们不相同，您可以使用str_extract_all、map_chr、str_c 和unique。 map_chr 位于 purrr 包中，它也是 tidyverse 的一部分。

require(tidyverse)
data<-data %>% 
  mutate(type = map_chr(str_extract_all(type,"\\b(PFLU_[:digit:]+)+\\b"), ~ str_c(unique(.x), collapse=", ")))

这将创建以逗号分隔的字符串，其中包含与 PFLU_ 匹配的所有实例，后跟每个 type 字符串的相邻数字。

将第二个 PFLU_5927 更改为 PFLU_0000 将导致：

                  type SNP
1            PFLU_4201   1
2 PFLU_5927, PFLU_0000   2

【讨论】：