【发布时间】：2018-09-05 14:25:58
【问题描述】：
我浏览了以下关于使用正则表达式隔离字符串的页面：
Regular expression to extract text between square brackets
What is a non-capturing group? What does (?:) do?
Split data frame string column into multiple columns
我有一个包含蛋白质/基因标识符的数据框，在某些情况下，由于列表中有多个匹配项，因此存在两个或多个这些字符串（用逗号分隔）。在这种情况下，第一个字符串是最强的匹配，我不一定对保留其余的字符串感兴趣。它们代表来自推断证据的多个匹配，并且当它们无法轻易区分时，所有匹配都被放入列中。在这种情况下，我只对保留第一个感兴趣，因为该组可能具有相同类型的注释（即蛋白质类型、基因本体、类似功能等）如果我将多个条目分成更多行，那么看起来我有证据表明它们存在于我的数据集中，但在经验层面上我没有。
我的数据框：
protein
1 sp|P50213|IDH3A_HUMAN
2 sp|Q9BZ95|NSD3_HUMAN
3 sp|Q92616|GCN1_HUMAN
4 sp|Q9NSY1|BMP2K_HUMAN
5 sp|O75643|U520_HUMAN
6 sp|O15357|SHIP2_HUMAN
523 sp|P10599|THIO_HUMAN,sp|THIO_HUMAN|
524 sp|Q96KB5|TOPK_HUMAN
525 sp|P12277|KCRB_HUMAN,sp|P17540|KCRS_HUMAN,sp|P12532|KCRU_HUMAN
526 sp|O00299|CLIC1_HUMAN
527 sp|P25940|CO5A3_HUMAN
我正在尝试创建的输出：
uniprot gene
P50213 IDH3A
Q9BZ95 NSD3
Q92616 GCN1
P12277 KCRB
我正在尝试使用 extract 和 separate 函数来执行此操作：
extract(df, protein, into = c("uniprot", "gene"), regex = c("sp|(.*?)|","
(.*?)_"), remove = FALSE)
结果：
Error: is_string(regex) is not TRUE
尝试separate 至少在多个步骤中将两者分开：
separate(df, protein, into = c("uniprot", "gene"), sep = "|", remove =
FALSE)
结果：
Warning message:
Expected 2 pieces. Additional pieces discarded in 528 rows [1, 2, 3, 4, 5,
6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...].
protein uniprot gene
1 sp|P50213|IDH3A_HUMAN s
2 sp|Q9BZ95|NSD3_HUMAN s
3 sp|Q92616|GCN1_HUMAN s
4 sp|Q9NSY1|BMP2K_HUMAN s
5 sp|O75643|U520_HUMAN s
6 sp|O15357|SHIP2_HUMAN s
在这种情况下使用正则表达式的最佳方式是什么？extract 或 separate 是解决此问题的最佳方式吗？任何建议将不胜感激。谢谢！
根据反馈进行更新：
df <- structure(list(protein = c("sp|P50213|IDH3A_HUMAN", "sp|Q9BZ95|NSD3_HUMAN",
"sp|Q92616|GCN1_HUMAN", "sp|Q9NSY1|BMP2K_HUMAN", "sp|O75643|U520_HUMAN",
"sp|O15357|SHIP2_HUMAN", "sp|P10599|THIO_HUMAN,sp|THIO_HUMAN|",
"sp|Q96KB5|TOPK_HUMAN", "sp|P12277|KCRB_HUMAN,sp|P17540|KCRS_HUMAN,sp|P12532|KCRU_HUMAN",
"sp|O00299|CLIC1_HUMAN")), class = "data.frame", row.names = c("1",
"2", "3", "4", "5", "6", "523", "524", "525", "526"))
df1 <- separate(df, protein, into = "protein", sep = ",")
#i'm only interested in the first match, because science
df2 <- extract(df1, protein, into = c("uniprot", "gene"), regex = "sp\\|
([^|]+)\\|([^_]+)", remove = FALSE)
#create new columns with uniprot code and gene id, no _HUMAN
#df2
# protein uniprot gene
#1 sp|P50213|IDH3A_HUMAN P50213 IDH3A
#2 sp|Q9BZ95|NSD3_HUMAN Q9BZ95 NSD3
#3 sp|Q92616|GCN1_HUMAN Q92616 GCN1
#4 sp|Q9NSY1|BMP2K_HUMAN Q9NSY1 BMP2K
#5 sp|O75643|U520_HUMAN O75643 U520
#6 sp|O15357|SHIP2_HUMAN O15357 SHIP2
#523 sp|P10599|THIO_HUMAN P10599 THIO
#524 sp|Q96KB5|TOPK_HUMAN Q96KB5 TOPK
#525 sp|P12277|KCRB_HUMAN P12277 KCRB
#526 sp|O00299|CLIC1_HUMAN O00299 CLIC1
#and the answer using %>% pipes (this is what I aspire to)
df_filtered <- df %>%
separate(protein, into = "protein", sep = ",") %>%
extract(protein, into = c("uniprot", "gene"), regex = "sp\\|([^|]+)\\|([^_]+)") %>%
select(uniprot, gene)
#df_filtered
# uniprot gene
#1 P50213 IDH3A
#2 Q9BZ95 NSD3
#3 Q92616 GCN1
#4 Q9NSY1 BMP2K
#5 O75643 U520
#6 O15357 SHIP2
#523 P10599 THIO
#524 Q96KB5 TOPK
#525 P12277 KCRB
#526 O00299 CLIC1
【问题讨论】：
-
第 523 行和第 525 行呢？这些看起来像多行组合，您希望它们如何分开？
-
它们代表来自推断证据的多个匹配项，当它们无法轻松区分时，所有匹配项都被放入列中。在这种情况下，我只对保留第一个感兴趣，因为该组可能具有相同类型的注释（即蛋白质类型、基因本体、类似功能等）如果我将多个条目分成更多行，那么看起来我有证据表明它们存在于我的数据集中，但在经验层面上我没有。
-
您应该将此评论添加到您的问题中并更新您想要的输出以反映这一点