如何在R中字符串的某个位置之后添加双引号答案

【问题标题】：How to add double quotes to after a certain position in a string in R如何在R中字符串的某个位置之后添加双引号
【发布时间】：2021-07-14 20:10:03
【问题描述】：

我有一个 data.table，其中有很多行在 R 中看起来像这样：

    V1        V2       V3    V4   V5  V6  V7  V8   V9           V10
 NCBINCC    GenBank   gene  331 1008  .   -   .   gene_id=UL1   protein_id=ABV71500.1
 NCBINCC    GenBank   gene  1009 1120  .  -   .  gene_id=UL4   protein_id=ABV71520
 NCBINCC    GenBank   gene  1135 1200  .  -   .  gene_id=UL6   protein_id=ABV71525

有没有一种简单的方法可以在字符串之间添加引号（在字符串gene_id= 和protein_id= 之后），以便它们只包含不同的基因和蛋白质，如以下输出：

    V1        V2       V3    V4   V5  V6  V7  V8   V9            V10
 NCBINCC    GenBank   gene  331 1008  .   -   .   gene_id="UL1"  protein_id="ABV71500.1"
 NCBINCC    GenBank   gene  1009 1120 .   -   .  gene_id="UL4"  protein_id="ABV71520"
 NCBINCC    GenBank   gene  1135 1200 .   -   .  gene_id="UL6"  protein_id="ABV71525"

我已经看到this answer 用于 shell，但想知道是否有办法在 R 中也这样做。谢谢。

【问题讨论】：

标签： r string dataframe data.table insertion

【解决方案1】：

我们可以使用str_replace 和正则表达式环视来匹配=，捕获包括. 在内的字母数字字符并替换为引用的反向引用(\\1)

library(stringr)
library(dplyr)
df1 <- df1 %>%
     mutate(across(c(V9, V10), 
        ~ str_replace(., "(?<=\\=)([[:alnum:].]+)", '"\\1"')))

-输出

df1
#  V1      V2   V3   V4   V5 V6 V7 V8            V9                     V10
#1 NCBINCC GenBank gene  331 1008  .  -  . gene_id="UL1" protein_id="ABV71500.1"
#2 NCBINCC GenBank gene 1009 1120  .  -  . gene_id="UL4"   protein_id="ABV71520"
#3 NCBINCC GenBank gene 1135 1200  .  -  . gene_id="UL6"   protein_id="ABV71525"

忘记使用base R对应的选项

nm1 <- c("V9", "V10")
df1[nm1] <- lapply(df1[nm1], function(x) 
     sub("(?<=\\=)([[:alnum:].]+)", '"\\1"', x, perl = TRUE))

数据

df1 <- structure(list(V1 = c("NCBINCC", "NCBINCC", "NCBINCC"), V2 = c("GenBank", 
"GenBank", "GenBank"), V3 = c("gene", "gene", "gene"), V4 = c(331L, 
1009L, 1135L), V5 = c(1008L, 1120L, 1200L), V6 = c(".", ".", 
"."), V7 = c("-", "-", "-"), V8 = c(".", ".", "."), V9 = c("gene_id=UL1", 
"gene_id=UL4", "gene_id=UL6"), V10 = c("protein_id=ABV71500.1", 
"protein_id=ABV71520", "protein_id=ABV71525")), class = "data.frame",
row.names = c(NA, 
-3L))

【讨论】：

【解决方案2】：

我会使用mutate 和stringr：

require(dplyr)
require(stringr)

myTable %>%
mutate(across(c(V9, V10),
function(x){
firstHalf <- str_extract(x, "^.+=") # everything up to and including the '='
secondHalf <- str_extract(x, "(?<==).*$") # everything after the '='

# Add quotes to secondHalf
newSecondHalf <- paste0("\"", secondHalf, "\"")

# Glue it all back together and spit it out
paste0(firstHalf, newSecondHalf)
}))

【讨论】：

【解决方案3】：

假设有一个名为 mydatatable 的数据表，我使用了 gsub 和 paste0。

library(dplyr)

mydatatable <- mydatatable %>% 
  mutate(across(c(V9, V10), ~paste0(gsub("=", '="', .), '"')))

【讨论】：

【解决方案4】：

如果您对包裹感到厌烦，您可能想在lapply 中尝试sub。

v <- c('V9', 'V10')
d[v] <- lapply(d[v], sub, pa='\\=(.*)', re='="\\1"')
d
#        V1      V2   V3   V4   V5 V6 V7 V8            V9                     V10
# 1 NCBINCC GenBank gene  331 1008  .  -  . gene_id="UL1" protein_id="ABV71500.1"
# 2 NCBINCC GenBank gene 1009 1120  .  -  . gene_id="UL4"   protein_id="ABV71520"
# 3 NCBINCC GenBank gene 1135 1200  .  -  . gene_id="UL6"   protein_id="ABV71525"

数据

d <- read.table(header=T, text='V1        V2       V3    V4   V5  V6  V7  V8   V9           V10
NCBINCC    GenBank   gene  331 1008  .   -   .   gene_id=UL1   protein_id=ABV71500.1
NCBINCC    GenBank   gene  1009 1120  .  -   .  gene_id=UL4   protein_id=ABV71520
NCBINCC    GenBank   gene  1135 1200  .  -   .  gene_id=UL6   protein_id=ABV71525')

【讨论】：

谢谢，这也是用 lapply 链接 sub 的一个很好的学习方法。