用于分隔包含大小写的字符串的正则表达式

Question

我无法使正则表达式任务正常工作，如果有人可以提供帮助，那就太好了。 我需要将基因名称与附加到它们的描述分开。使用出现在 99% 的案例中的术语涉及将其与“GeneCards 摘要”分开，可通过gene <- str_split (DF$Gene, "GeneCards Summary", simplify = TRUE) 使用 tidyverse 解决。但是现在有一些不遵循这种模式，这里举例说明：

example <- c("STAT1Predisposition to Mucocutaneous Candidiasis", 
             "PMS2DNA Repair DefectsPMS2 Deficiency", 
             "FANCACombined ImmunodeficiencyFANCA", 
             "HAX1 This gene", "ELANE ELANE is a gene", 
             "IL1RNNon-Inflammasome Related", "PRKDCT-B- SCIDDNA PKcs",
             "MSH6Severe Reduction", "AP3B1FHL Syndromes")

我能够找出以下模式，希望这涵盖了所有模式（不太可能，但使用你的解决方案，如果它们弹出，我也应该得到其余的）：

1) Genename 后跟一个包含 UPPERCASElowerlase 的单词（因此将此部分与之前的部分分开）。
2) GenenameDNA（将“DNA”与之前的部分分开。
3) 基因名"" (空白)
4) 基因名称T-B-.
5) 基因名FHL。

实际上最棘手的是 UPPERCASe 小写部分，其他部分我将尝试解决并在此处发布。
非常感谢你的帮助！ 塞巴斯蒂安

这是我的解决方案的一部分，没有上/下一个：

clean_1 <- str_split(example, "DNA", simplify = T)
clean_2 <- str_split(clean_1, "[[:blank:]]", simplify = T)
clean_3 <- str_split(clean_2, "T-B", simplify = T)
clean_4 <- str_split(clean_3, "FHL", simplify = T)

我会在每一轮都这样做以清理数据，但可能有更好的方法来做到这一点。

Answer 1

假设您的示例代表了所有可能性，那么您拥有的是：

• 基因名称总是在字符串的开头
• 总是大写，有时带有数字（可能是标点符号？）
• 有些情况下，基因名称与下一句合并，总是以大写开头，后跟小写。

所以一个解决方案是：提取每个字符串中的第一个单词，然后识别附加单词的情况（一个大写，然后是小写）并删除它们。继续使用包 stringr：

library(stringr)

# Extract any characters before the first space:
fWord <- str_extract(example, '([^[:blank:]]+)')

# Find the index of strings that have lower cases:
ind <- grep('[:lower:]', fWord)

# Select everything until the first lower caseand remove the last character:
fWord[ind] <- str_sub(str_extract(fWord[ind], '([^[:lower:]]+)' ), end = -2)

> fWord
[1] "STAT1"     "PMS2DNA"   "FANCA"     "HAX1"      "ELANE"     "IL1RN"    
[7] "PRKDCT-B-" "MSH6"      "AP3B1FHL" 

我很确定这可以在一行中完成。试着让你的问题更清楚，也许有人会提出一些花哨的正则表达式来完成工作。