R中的重叠匹配答案

【问题标题】：Overlapping matches in RR中的重叠匹配
【发布时间】：2014-09-12 02:56:48
【问题描述】：

我已经搜索到可以找到这个forum discussion来实现重叠匹配的效果。

我还发现了以下SO 问题，谈到查找索引以执行此任务，但无法找到任何关于在 R 语言中抓取重叠匹配项的简明内容。

我可以在支持 (PCRE) 的大多数语言中执行此任务，方法是使用肯定的前瞻断言，同时在前瞻内实现捕获组以捕获重叠匹配。

但是，虽然实际上以与我在其他语言中相同的方式执行此操作，在 R 中使用 perl=T，但没有结果。

> x <- 'ACCACCACCAC'
> regmatches(x, gregexpr('(?=([AC]C))', x, perl=T))[[1]]
[1] "" "" "" "" "" "" ""

同时使用 stringi 和 stringr 包也是如此。

> library(stringi)
> library(stringr)
> stri_extract_all_regex(x, '(?=([AC]C))')[[1]]
[1] "" "" "" "" "" "" ""
> str_extract_all(x, perl('(?=([AC]C))'))[[1]]
[1] "" "" "" "" "" "" ""

执行此操作时应返回的正确结果是：

[1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

编辑

我很清楚regmatches 不能很好地处理捕获的匹配，但是究竟是什么导致了正则匹配中的这种行为，为什么没有返回结果？ 我正在寻找一个比较详细的答案。
stringi 和 stringr 包是否无法在 regmatches 上执行此操作？
请随时添加到我的答案中或提出与我发现不同的解决方法。

【问题讨论】：

标签： regex r string dna-sequence stringi

【解决方案1】：

标准regmatches 不适用于捕获的匹配项（特别是同一字符串中的多个捕获匹配项）。在这种情况下，由于您正在“匹配”前瞻（忽略捕获），因此匹配本身的长度为零。还有一个regmatches()<- 函数可以说明这一点。观察

x <- 'ACCACCACCAC'
m <- gregexpr('(?=([AC]C))', x, perl=T)
regmatches(x, m) <- "~"
x
# [1] "~A~CC~A~CC~A~CC~AC"

注意所有字母是如何保存的，我们刚刚用我们可以观察到的东西替换了零长度匹配的位置。

我创建了一个regcapturedmatches() 函数，我经常将其用于此类任务。例如

x <- 'ACCACCACCAC'
regcapturedmatches(x, gregexpr('(?=([AC]C))', x, perl=T))[[1]]

#      [,1] [,2] [,3] [,4] [,5] [,6] [,7]
# [1,] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

gregexpr 可以很好地抓取所有数据，因此如果您不想使用此辅助函数，您可以从该对象中提取数据。

【讨论】：

+1 您创建的有趣函数。我很清楚零宽度匹配，所以基本上 regmatches 和 stringi、r 等其他包不打算处理这个？
我无法与stringr 交谈，因为我自己从未使用过它，但regmatches 真正关注的是比赛而不是捕获（两者高度相关，但略有不同）。我添加了一个额外的示例，以试图清楚地说明 regmatches() 与我的函数相比捕获的内容。`
是的，我之前使用过regmatches()<- 来观察零宽度匹配的效果。

【解决方案2】：

就解决方法而言，这是我提出的用于提取重叠匹配的方法。

> x <- 'ACCACCACCAC'
> m <- gregexpr('(?=([AC]C))', x, perl=T)
> mapply(function(X) substr(x, X, X+1), m[[1]])
[1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

请随意添加或评论执行此任务的更好方法。

【讨论】：

这个解决方案的问题是它只在捕获的区域总是2个字符长时才有效。一个更通用的解决方案是：
糟糕。我忘了我不能把代码块放在 cmets 中。将使它成为一个单独的答案。

【解决方案3】：

在前瞻部分使用捕获组的stringi 解决方案：

> stri_match_all_regex('ACCACCACCAC', '(?=([AC]C))')[[1]][,2]
## [1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

【讨论】：

奇怪，怎么不能和stri_extract_all_regex一起工作
@hwnd：这是一个 0 长度匹配； (?=...)does not推进输入位置。
是的，我知道这是一个零宽度匹配 =) 我猜 extract_all_regex 和 match_all_regex 之间存在差异
不，结果矩阵的第一列（整个匹配）只包含空字符串:)
好吧，我明白你的意思了。

【解决方案4】：

另一种提取我过去做过的相同信息的迂回方法是将"match.length"替换为"capture.length"：

x <- c("ACCACCACCAC","ACCACCACCAC")
m <- gregexpr('(?=([AC]C))', x, perl=TRUE)
m <- lapply(m, function(i) {
       attr(i,"match.length") <- attr(i,"capture.length")
       i
     })
regmatches(x,m)

#[[1]]
#[1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"
#
#[[2]]
#[1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

【讨论】：

+1 感谢您提供额外的解决方案。我使用capture.start 和capture.length 做了类似的事情。

【解决方案5】：

这不是正则表达式解决方案，并不能真正回答您的任何更重要的问题，但您也可以通过一次使用两个字符的子字符串然后删除不需要的 CA 元素来获得所需的结果。

x <- 'ACCACCACCAC'
y <- substring(x, 1:(nchar(x)-1), 2:nchar(x))
y[y != "CA"]
# [1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

【讨论】：

【解决方案6】：

另一个答案，基于@hwnd 自己的答案（原版不允许可变长度捕获区域），仅使用内置 R 函数：

> x <- 'ACCACCACCAC'
> m <- gregexpr('(?=([AC]C))', x, perl=T)[[1]]
> start <- attr(m,"capture.start")
> end <- attr(m,"capture.start") + attr(m,"capture.length") - 1
> sapply(seq_along(m), function(i) substr(x, start[i], end[i]))
[1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

非常丑陋，这就是存在stringr 等包的原因。

【讨论】：