提取与模式匹配的特定单词答案

【问题标题】：Extract specific word matching the pattern提取与模式匹配的特定单词
【发布时间】：2018-12-10 11:18:44
【问题描述】：

我有一个带有列的数据框：

nf1$Info = AC=1;AF=0.500;AN=2;BaseQRankSum=-1.026e+00;ClippingRankSum=-1.026e+00;DP=4;ExcessHet=3.0103;FS=0.000;MLEAC=1;MLEAF=0.500;MQ=28.25;MQRankSum=-1.026e+00;QD=10.18;ReadPosRankSum=1.03;SOR=0.693

我正在尝试从该列中提取特定值。

例如我对“MQRankSum”感兴趣并使用了：

str_extract(nf1$Info,"[MQRankSum]+=[:punct:]+[0-9]+[.]+[0-9]+")

它返回 BaseQRankSum 的值，而不是 MQRankSum。

【问题讨论】：

为什么要用[...] 包装字符序列？删除它们。 "MQRankSum=[^;]+"
谢谢。它奏效了。
这是来自 vcf 文件吗？你是如何将文件读入 R 的？也许使用 vcfR 包？
这是一个带注释的 vcf 文件。我更喜欢过滤 .txt 文件。我知道 vcfR。

标签： r regex bioinformatics stringr vcf-variant-call-format

【解决方案1】：

我们可以将 INFO 列拆分为多个列，然后提取所需的列：

# dummy data
df1 <- data.frame(x = 1:3,
                  info = c("AC=1;AF=0.500;MQRankSum=2;BaseQRankSum=-1.026e+00;ClippingRankSum=-1.026e+00;",
                           "AC=1;AF=0.500;MQRankSum=2;ClippingRankSum=-1.026e+00;DP=4;",
                           "AN=2;BaseQRankSum=-1.026e+00;"),
                  stringsAsFactors = FALSE)

# split INFO into seperate columns
df1_info <- data.table::rbindlist(
  lapply(strsplit(df1$info, ";|="), function(i)
    setNames(data.frame(t(as.numeric(i[ c(FALSE, TRUE) ]))), i[ c(TRUE, FALSE) ])
    ),
  fill = TRUE)

df1_info
#    AC  AF MQRankSum BaseQRankSum ClippingRankSum DP AN
# 1:  1 0.5         2       -1.026          -1.026 NA NA
# 2:  1 0.5         2           NA          -1.026  4 NA
# 3: NA  NA        NA       -1.026              NA NA  2

# extract required column 
df1_info$BaseQRankSum
# [1] -1.026     NA -1.026

VCF 信息 standard:

各种站点级注释。 INFO 中包含的注释字段表示为标签-值对，其中标签和值是用等号隔开，即=，对用冒号隔开， IE ;如本例所示：
MQ=99.00;MQ0=0;QD=17.94.

【讨论】：

信息量很大。在上面的示例中，我提到了 Info 列中的值比您在示例中提到的更多，我应该如何将其拆分为单独的列。例如信息：“AC=1;AF=0.500;AN=2;BaseQRankSum=-1.026e+00;ClippingRankSum=-1.026e+00;DP=4;ExcessHet=3.0103;FS=0.000;MLEAC=1;MLEAF= 0.500;MQ=28.25;MQRankSum=-1.026e+00;QD=10.18;ReadPosRankSum=1.03;SOR=0.693"
@beginner 上面的代码应该适用于任意数量的值。如果不是，请编辑您的帖子并提供可重现的示例：dput(head(nf1$Info))

【解决方案2】：

将字符包含在方括号中会创建一个匹配任何已定义字符的字符类，因此[yes]+ 匹配yyyyyyyyy、eyyyyss 等。

您要做的是匹配一个单词MQRankSum、=，然后匹配;以外的任何字符：

str_extract(nf1$Info,"MQRankSum=[^;]+")

如果您想从匹配中排除 MQRankSum=，请使用后向：

str_extract(nf1$Info,"(?<=MQRankSum=)[^;]+")
                      ^^^^^^^^^^^^^^^

(?<=MQRankSum=) 正向后视将确保在当前位置的左侧紧邻有 MQRankSum= 文本，并且只有在此之后才会匹配除 ; 之外的 1 个或多个字符。

【讨论】：

非常有用的解释。