从文件名列表中提取和匹配集

Question

我有一个包含 4000 多张图像的数据集。为了弄清楚代码，我将其中的一小部分移到了另一个文件夹中。

文件如下所示：

文件夹

[1] "r01c01f01p01-ch3.tiff" "r01c01f01p01-ch4.tiff" "r01c01f02p01-ch1.tiff"
[4] "r01c01f03p01-ch2.tiff" "r01c01f03p01-ch3.tiff" "r01c01f04p01-ch2.tiff"
[7] "r01c01f04p01-ch4.tiff" "r01c01f05p01-ch1.tiff" "r01c01f05p01-ch2.tiff"
[10] "r01c01f06p01-ch2.tiff" "r01c01f06p01-ch4.tiff" "r01c01f09p01-ch3.tiff"
[13] "r01c01f09p01-ch4.tiff" "r01c01f10p01-ch1.tiff" "r01c01f10p01-ch4.tiff"
[16] "r01c01f11p01-ch1.tiff" "r01c01f11p01-ch2.tiff" "r01c01f11p01-ch3.tiff"
[19] "r01c01f11p01-ch4.tiff" "r01c02f10p01-ch1.tiff" "r01c02f10p01-ch2.tiff"
[22] "r01c02f10p01-ch3.tiff" "r01c02f10p01-ch4.tiff"

我无法删除 -ch# 之前的名称，因为该信息很重要。然而，我想要做的是过滤这个图像列表，并只返回具有所有四个 ch 值（ch1-4）的集合（即：r01c02f10p01）。

我原本以为我们可以这样处理这个问题：

ch1 <- dir(path="/Desktop/cp/complete//", pattern="ch1")
ch2 <- dir(path="/Desktop/cp/complete//", pattern="ch2")
ch3 <- dir(path="/Desktop/cp/complete//", pattern="ch3")
ch4 <- dir(path="/Desktop/cp/complete//", pattern="ch4")

使用file.remove 函数应用此列表，类似于：

final2 <- dir(path="/Desktop/cp1/Images//", pattern="ch5") 
file.remove(folder,final2) 

但是，为每个 ch 值创建新变量会分散每个文件。我不确定如何使用这些来实际区分单个图像是否具有所有四个 ch 值来有意义地过滤我的图像。我有点不知所措，因为我看到的其他来源的问题与这个问题不太匹配。

之前，我可以像这样从我的图像集中删除所有带有 ch5 的图像。我在想这可能有助于尝试仅过滤具有 ch1-ch4 的图像，但我不确定如何继续。

##Create folder variable which has all image files 
folder <- list.files(getwd())

##Create final2 variable which has all image files ending in ch5
final2 <- dir(path="/Desktop/cp1/Images//", pattern="ch5") 

##Remove final2 from folder
file.remove(folder,final2) 

总结一下：我希望从没有完整 ch 值（即：可能只有 ch1 和 ch2，或 ch3 和 ch4，或 ch1、ch2、ch3 和 ch4）的随机分类中过滤文件，到只包含具有完整集合的文件（四个文件，分别为 ch1、ch2、ch3 和 ch4）。

Answer 1

从一个文件名向量开始，就像你从list.files 或类似的东西得到的，你可以创建一个文件名数据框，使用正则表达式提取开头的字母数字部分和"-ch" 后面的数字。然后检查预期集合的所有元素（我将其放在ch_set 中，但您可能需要另一种方式来执行此操作）出现在每个组的 CH 值集合中。

# assume this is the vector of file names that comes from list.files
# or something comparable
files <- c("r01c01f01p01-ch3.tiff", "r01c01f01p01-ch4.tiff", "r01c01f02p01-ch1.tiff", "r01c01f03p01-ch2.tiff", "r01c01f03p01-ch3.tiff", "r01c01f04p01-ch2.tiff", "r01c01f04p01-ch4.tiff", "r01c01f05p01-ch1.tiff", "r01c01f05p01-ch2.tiff", "r01c01f06p01-ch2.tiff", "r01c01f06p01-ch4.tiff", "r01c01f09p01-ch3.tiff", "r01c01f09p01-ch4.tiff", "r01c01f10p01-ch1.tiff", "r01c01f10p01-ch4.tiff", "r01c01f11p01-ch1.tiff", "r01c01f11p01-ch2.tiff", "r01c01f11p01-ch3.tiff", "r01c01f11p01-ch4.tiff", "r01c02f10p01-ch1.tiff", "r01c02f10p01-ch2.tiff", "r01c02f10p01-ch3.tiff", "r01c02f10p01-ch4.tiff")

library(dplyr)

ch_set <- 1:4

files_to_keep <- data.frame(filename = files, stringsAsFactors = FALSE) %>%
  tidyr::extract(filename, into = c("group", "ch"), regex = "(^[\\w\\d]+)\\-ch(\\d)", remove = FALSE) %>%
  mutate(ch = as.numeric(ch)) %>%
  group_by(group) %>% 
  filter(all(ch_set %in% ch))

files_to_keep
#> # A tibble: 8 x 3
#> # Groups:   group [2]
#>   filename              group           ch
#>   <chr>                 <chr>        <dbl>
#> 1 r01c01f11p01-ch1.tiff r01c01f11p01     1
#> 2 r01c01f11p01-ch2.tiff r01c01f11p01     2
#> 3 r01c01f11p01-ch3.tiff r01c01f11p01     3
#> 4 r01c01f11p01-ch4.tiff r01c01f11p01     4
#> 5 r01c02f10p01-ch1.tiff r01c02f10p01     1
#> 6 r01c02f10p01-ch2.tiff r01c02f10p01     2
#> 7 r01c02f10p01-ch3.tiff r01c02f10p01     3
#> 8 r01c02f10p01-ch4.tiff r01c02f10p01     4

现在您有了完整组的数据框，只需将匹配的文件名拉回即可：

files_to_keep$filename
#> [1] "r01c01f11p01-ch1.tiff" "r01c01f11p01-ch2.tiff" "r01c01f11p01-ch3.tiff"
#> [4] "r01c01f11p01-ch4.tiff" "r01c02f10p01-ch1.tiff" "r01c02f10p01-ch2.tiff"
#> [7] "r01c02f10p01-ch3.tiff" "r01c02f10p01-ch4.tiff"

需要注意的一点是，在没有 mutate 行的情况下，我将 ch 转换为数字 - 即将这些数字的字符版本与它们的常规数字版本进行比较——因为在后台，%in% 转换为匹配类型。如果您需要对其进行扩展，这似乎并不完全安全，因此我将它们转换为匹配类型。