有没有更好的方法来分割r中不同长度和模式的字符串？答案

【问题标题】：Is there a better method of splitting character strings with different lengths and patterns in r?有没有更好的方法来分割r中不同长度和模式的字符串？
【发布时间】：2022-01-14 01:07:01
【问题描述】：

我有 12 个样本名称，由一个长字符串组成，但大多数样本名称的长度不同，并且都有不同的样本标识符（例如，一些被标记为 JKT-n，一些被标记为 sample_n 或 Sample_n）。我只想提取字符串中间的样本标识符部分，标记为“JKT-n”、“Sample_n”或“sample_n”。由于标识符不一致，我遇到了困难。以下是其中 3 个的示例：

data$sample
 [1] "Monocytes DF 2_E18_016e_20180411_JKT-6_01_normalized_Ungated_viSNE_FlowSOM.fcs"     
 [2] "Monocytes DHF 2_E19_014b_20190731_sample_32_01_normalized_Ungated_viSNE_FlowSOM.fcs"
 [3] "Monocytes DF 2_E19_014b_20190730_Sample_21_01_normalized_Ungated_viSNE_FlowSOM.fcs"

这是我用来拆分字符串的方法，最终得到了我想要的。但是，我想知道是否有更简洁的方法可以做到这一点，因为它有点笨重。

data <- as.data.frame(clean_names(read_excel("Significant Citrus clusters.xlsx", )))
data$tmp <- substr(data$sample,34,nchar(data$sample)-40)
data$tmp2 <- gsub(pattern = c("Sample_"), replacement = "JKT-", x=data$tmp)
data$tmp3 <- gsub(pattern=c("_sample_"), replacement="JKT-", x=data$tmp2)
data$tmp4 <- gsub(pattern="_", replacement="", x=data$tmp3)
data$CohortID <- data$tmp4

data$CohortID
 [1] "JKT-6"  "JKT-8"  "JKT-12" "JKT-21" "JKT-26" "JKT-27" "JKT-4"  "JKT-9"  "JKT-22" "JKT-30" "JKT-32" "JKT-33"

谢谢

【问题讨论】：

标签： r string split character

【解决方案1】：

您可以使用管道符号将第三行和第四行合并为一行代码：

    gsub(pattern=c("Sample_|_sample_"), replacement="JKT-", x=data$tmp2)

【讨论】：

太好了，谢谢！

【解决方案2】：

或者，在字符串中间出现在_JKT-、_Sample_ 或_sample_ 之后与实际位置无关的数字可以通过正则表达式 与lookbehind（详见https://www.regular-expressions.info/lookaround.html）。

paste0("JKT-", stringr::str_extract(data$sample, "(?<=_(JKT-|[sS]ample_))\\d+"))

[1] "JKT-6"  "JKT-32" "JKT-21"

对于字符串操作，我更喜欢 stringr 包而不是基本 R 函数，因为它具有一致的用户界面和函数命名。

样本数据

data <- data.frame(sample = c(
  "Monocytes DF 2_E18_016e_20180411_JKT-6_01_normalized_Ungated_viSNE_FlowSOM.fcs",
  "Monocytes DHF 2_E19_014b_20190731_sample_32_01_normalized_Ungated_viSNE_FlowSOM.fcs",
  "Monocytes DF 2_E19_014b_20190730_Sample_21_01_normalized_Ungated_viSNE_FlowSOM.fcs"
))

【讨论】：