R提取字符串的一部分答案

【问题标题】：R extract part of stringR提取字符串的一部分
【发布时间】：2012-04-01 00:56:13
【问题描述】：

我有一个关于提取字符串的一部分的问题。例如我有一个这样的字符串：

a <- "DP=26;AN=2;DB=1;AC=1;MQ=56;MZ=0;ST=5:10,7:2;CQ=SYNONYMOUS_CODING;GN=NOC2L;PA=1^1:0.720&2^1:0"

我需要提取GN= 和; 之间的所有内容。所以这里将是NOC2L。

这可能吗？

注意：这是INFO 列形式VCF file format。 GN是基因名称，所以我们要从INFO列中提取基因名称。

【问题讨论】：

问题有点不清楚，因为您想要的字符串似乎并不总是后跟分号。

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

【解决方案1】：

试试这个：

sub(".*?GN=(.*?);.*", "\\1", a)
# [1] "NOC2L"

【讨论】：

谢谢科斯克。如果 NOC2L 在行尾呢？然后选择孔线！
你的字符串到底怎么样？可以举个例子吗？
像这样：a
试试这个：sub(".*?GN=(.*?)(;.*|$)", "\\1", a)
感谢您的提问/回答。如果“a”中没有这样的东西怎么办。在这种情况下，我希望它返回 NA。它不是这种形状。有什么想法吗？

【解决方案2】：

假设分号分隔您的元素，并且等号仅出现在键/值对之间，则非严格正则表达式方法将是：

bits <- unlist(strsplit(a, ';'))
do.call(rbind, strsplit(bits, '='))

      [,1] [,2]               
 [1,] "DP" "26"               
 [2,] "AN" "2"                
 [3,] "DB" "1"                
 [4,] "AC" "1"                
 [5,] "MQ" "56"               
 [6,] "MZ" "0"                
 [7,] "ST" "5:10,7:2"         
 [8,] "CQ" "SYNONYMOUS_CODING"
 [9,] "GN" "NOC2L"            
[10,] "PA" "1^1:0.720&2^1:0"

那么只需选择合适的元素即可。

【讨论】：

【解决方案3】：

一种方法是：

gsub(".+=(\\w+);.+", "\\1", a, perl=T)

我相信还有更优雅的方法可以做到这一点。

【讨论】：

【解决方案4】：

a <- "DP=26;AN=2;DB=1;AC=1;MQ=56;MZ=0;ST=5:10,7:2;CQ=SYNONYMOUS_CODING;GN=NOC2L;PA=1^1:0.720&2^1:0"
m = regexpr("GN.*;",a)
substr(a,m+3,m+attr(m,"match.length")-2)

【讨论】：

【解决方案5】：

由于字符串来自 VCF 文件，我们可以使用 VariantAnnotation 包：

library(VariantAnnotation)

# read dummy VCF file
fl <- system.file("extdata", "chr22.vcf.gz", package="VariantAnnotation")
vcf <- readVcf(fl, "hg19")

# see first 5 variables for info column
info(vcf)[1:3, 1:5]
# DataFrame with 3 rows and 5 columns
#                  LDAF   AVGPOST       RSQ     ERATE     THETA
#             <numeric> <numeric> <numeric> <numeric> <numeric>
# rs7410291      0.3431    0.9890    0.9856     2e-03    0.0005
# rs147922003    0.0091    0.9963    0.8398     5e-04    0.0011
# rs114143073    0.0098    0.9891    0.5919     7e-04    0.0008

# Now extract one column, e.g.: LDAF
info(vcf)[1:3, "LDAF"]
# [1] 0.3431 0.0091 0.0098

在上面的示例 VCF 对象中没有“GN”列，但想法是一样的，所以在你的情况下，下面应该可以工作：

# extract gene name
info(vcf)[, "GN"]

【讨论】：

【解决方案6】：

作为将反向引用与sub 组合的替代方法，您可以使用带有提取操作的lookbehind 和lookahead 断言，如下所示：

library(stringr)
a <- "DP=26;AN=2;DB=1;AC=1;MQ=56;MZ=0;ST=5:10,7:2;CQ=SYNONYMOUS_CODING;GN=NOC2L;PA=1^1:0.720&2^1:0"
str_extract(a, "(?<=GN=)[^;]*(?=;|$)")
# [1] NOC2L

地点：

(?<=GN=) 断言 GN= 必须领先于比赛
(?=;|$) 断言 ; 或字符串结尾 ($) 必须在匹配之后（之后）
[^;]* 匹配任意数量的不是; 的字符

注意：[^;]* 用于 .*，因为后者可以匹配 ; 并继续匹配直到字符串结尾 ($)。

【讨论】：