从R中的复杂字符串创建多行答案

【问题标题】：Creating multiple rows from a complex string in R从R中的复杂字符串创建多行
【发布时间】：2022-01-20 23:20:14
【问题描述】：

名为gene_snps的相关字符串示例：

"ultra_rare_variant_chr9:23143143_A/C_chr9:5322432_G/T_chr9:9840984342_T/C;chr9:5324234:G/T;chr9:324424_T/A"

期望的结果：

markerID
chr9:23143143_A/C
chr9:5322432_G/T
chr9:9840984342_T/C
chr9:5324234:G/T
chr9:324424_T/A

最终结果是一张桌子：

CHR POS REF ALT
chr9 23143143 A C
chr9 5322432 G T
chr9 9840984342 T C
chr9 5324234 G T
chr9 324424 T A

当它们只是“;”时，我曾经有一个代码将它们分开分开使用：

x <- separate_rows(gene_snps, markerIDs, sep=c(";"))
x <- separate_rows(x, col="markerIDs", into=c("pos", "ref_alt"), sep=c("_"))
x <- separate_rows(x, col="pos", into=c("CHR", "POS"), sep=c(":"))
x <- separate_rows(x, col="ref_alt", into=c("REF", "ALT"), sep=c("/"))

但由于用于生成代码的上游工具现在引入了“ultra_rare”标签，该标签全部用“_”分隔。

任何有关拆分此字符串以摆脱 ultra_rare_variant 位并将每个 chrx:x_x/x 块拆分为自己的行的帮助将不胜感激！

一切顺利

【问题讨论】：

标签： r string dplyr tidyr

【解决方案1】：

使用stringr::str_match_all 将所有内容直接保存到命名的捕获组中。

x <- "ultra_rare_variant_chr9:23143143_A/C_chr9:5322432_G/T_chr9:9840984342_T/C;chr9:5324234:G/T;chr9:324424_T/A"
pattern <- "(?<CHR>chr\\d)?[_:/](?<POS>\\d+)?[_:/](?<REF>[A-Z])?[_:/](?<ALT>[A-Z])?"
as.data.frame(stringr::str_match_all(x, pattern)[[1L]][, -1L])

输出

   CHR        POS REF ALT
1 chr9   23143143   A   C
2 chr9    5322432   G   T
3 chr9 9840984342   T   C
4 chr9    5324234   G   T
5 chr9     324424   T   A

【讨论】：

非常感谢您抽出宝贵的时间来回答，这非常有效，但我接受了下面的答案，因为它允许 REF 和 ALT 可能比单个字母更长。 ATT等

【解决方案2】：

我们只需要使用带有前瞻的正则表达式：

library(stringr)

x = str_split(str, '[_;](?=chr)', simplify = T)[-1]
x

[1] "chr9:23143143_A/C"   "chr9:5322432_G/T"    "chr9:9840984342_T/C" "chr9:5324234:G/T"   
[5] "chr9:324424_T/A"

这匹配“_”或“;”立即进行“chr”，然后使用它来拆分字符串。参数simplify=T 使它以向量而不是列表的形式给出结果，我们使用[-1] 删除第一个元素，即“ultra_rare_variant”

要使其成为表格，我们可以将其再次拆分为“：”、“/”或“_”并转换为数据框。由于有多个字符串和多个分割点，参数simplify=T给我们一个矩阵（每行是x中的一个字符串，每列是分割后的一块），可以转换成data.frame：

tbl <- as.data.frame(str_split(x, '[:_/]', simplify = TRUE))

colnames(tbl) <- c('CHR', 'POS', 'REF','ALT') # Set column names
tbl

   CHR        POS REF ALT
1 chr9   23143143   A   C
2 chr9    5322432   G   T
3 chr9 9840984342   T   C
4 chr9    5324234   G   T
5 chr9     324424   T   A

【讨论】：

非常感谢您抽出宝贵时间来回答，这非常有效，我接受了它，因为它还允许 REF ALT 长度超过一个字母。

【解决方案3】：

另一种可能的解决方案：

library(tidyverse)

s <- "ultra_rare_variant_chr9:23143143_A/C_chr9:5322432_G/T_chr9:9840984342_T/C;chr9:5324234:G/T;chr9:324424_T/A" 

data.frame(CHR = s %>% str_remove("ultra_rare_variant_")) %>% 
  separate_rows(CHR, sep=";|_(?=chr9)") %>% 
  separate(CHR, into = c("CHR","POS","REF","ALT"), sep=":|_|/")

#> # A tibble: 5 × 4
#>   CHR   POS        REF   ALT  
#>   <chr> <chr>      <chr> <chr>
#> 1 chr9  23143143   A     C    
#> 2 chr9  5322432    G     T    
#> 3 chr9  9840984342 T     C    
#> 4 chr9  5324234    G     T    
#> 5 chr9  324424     T     A

【讨论】：

非常感谢您抽出宝贵的时间来回答，这真的很好！
不客气，@tacrolimus！