如何仅将信息保留在R中的复杂字符串中？

Question

我想在一个复杂的字符串中保留一个字符串。我认为我可以使用正则表达式来保留我需要的东西。基本上，我只想在Function=\"SMAD5\" 中保留\" 和\" 之间的信息。我也想保留空字符串：Function=\"\"

df=structure(1:6, .Label = c("ID=Gfo_R000001;Source=ENST00000513418;Function=\"SMAD5\";", 
"ID=Gfo_R000002;Source=ENSTGUT00000017468;Function=\"CENPA\";", 
"ID=Gfo_R000003;Source=ENSGALT00000028134;Function=\"C1QL4\";", 
"ID=Gfo_R000004;Source=ENSTGUT00000015300;Function=\"\";", "ID=Gfo_R000005;Source=ENSTGUT00000019268;Function=\"\";", 
"ID=Gfo_R000006;Source=ENSTGUT00000019035;Function=\"\";"), class = "factor")

这应该是这样的：

"SMAD5"
"CENPA"
"C1QL4"
NA
NA
NA

到目前为止，我能做的：

gsub('.*Function=\"',"",df)

[1] "SMAD5\";" "CENPA\";" "C1QL4\";" "\";"      "\";"      "\";"     

但我被一堆\";" 困住了。如何用一行删除它们？

我试过这个：

gsub('.*Function=\"' & '.\"*',"",test)

但它给了我这个错误：

Error in ".*Function=\"" & ".\"*" : 
  operations are possible only for numeric, logical or complex types

Answer 1

你可以使用

gsub(".*Function=\"([^\"]*).*","\\1",df)

见regex demo

详情：

• .* - 任何 0+ 字符尽可能多，直到最后一个......
• Function=\" - Function=" 子字符串
• ([^\"]*) - 捕获组 1 匹配除 " 之外的 0+ 个字符
• .* - 以及字符串的其余部分。

\1 是在结果中恢复组 1 内容的反向引用。

Answer 2

使用 stringr 我们也可以捕获组：

library(stringr)
matches <- str_match(df, ".*\"(.*)\".*")[,2]
ifelse(matches=='', NA, matches)
# [1] "SMAD5" "CENPA" "C1QL4" NA      NA      NA     

Answer 3

使用rebus 可以更易读地构造正则表达式。

rx <- 'Function="' %R% 
  capture(zero_or_more(negated_char_class('"')))

然后，Wiktor 和 Sandipan 提到了匹配。

rx <- 'Function="' %R% capture(zero_or_more(negated_char_class('"')))
str_match(df, rx)
stri_match_first_regex(df, rx)

gsub(any_char(0, Inf) %R% rx %R% any_char(0, Inf), REF1, df)