如何使用 R、stingr 分割字符串答案

【问题标题】：How to split the string using R, stingr如何使用 R、stingr 分割字符串
【发布时间】：2019-07-30 19:09:23
【问题描述】：

我想把下面的格式分成四列

chr6:g.32218989G>A
chr6:g.32409530G>A
chr6:g.33042880A>G
chr6:g.32590925G>A
chr6:g.31006855T>C
chr6:g.31093587G>A

要求的格式是：

    6   32218989    G   A
    6   32409530    G   A
    6   33042880    A   G
    6   32590925    G   A
    6   31006855    T   C
    6   31093587    G   A      `

我试过了 str_remove(xzx, c("chr", "g.")) 但卡住了。请注意，两个数字列都是 n 位，对于 col1 不一定是 n=1，对于 col2 不一定是 n=8。

【问题讨论】：

How to separate one column to multiple column (complex column)的可能重复
strsplit(gsub("chr|g\\.", "", xzx), "[:>]") 在样本完全具有代表性的情况下有效。
@r2evans 似乎没有将数字后面的字符分开。例如。 89G 在第一行。
真实，不完美......
您在问题中请求了 3 列，但似乎在您想要的输出中使用了 4。请澄清。

标签： r regex

【解决方案1】：

不确定 R 作为一种语言，但使用正则表达式可以：

chr(\d):[a-z]\.(\d{8})([A-Z])>([A-Z])

$1$2$3$4 将包含您想要的内容。

见https://regex101.com/r/mf0y7e/1

在 R 中工作：

gsub("chr(\\d):[a-z]\\.(\\d{8})([A-Z])>([A-Z])", "\\1:\\2:\\3:\\4", xzx)
# [1] "6:32218989:G:A" "6:32409530:G:A" "6:33042880:A:G" "6:32590925:G:A" "6:31006855:T:C" "6:31093587:G:A"
strsplit(gsub("chr(\\d):[a-z]\\.(\\d{8})([A-Z])>([A-Z])", "\\1:\\2:\\3:\\4", xzx), ":")
# [[1]]
# [1] "6"        "32218989" "G"        "A"       
# [[2]]
# [1] "6"        "32409530" "G"        "A"       
# [[3]]
# [1] "6"        "33042880" "A"        "G"       
# [[4]]
# [1] "6"        "32590925" "G"        "A"       
# [[5]]
# [1] "6"        "31006855" "T"        "C"       
# [[6]]
# [1] "6"        "31093587" "G"        "A"

【讨论】：

（R 需要双反斜杠，所以我添加了它们。）在 R 中不起作用：regmatches(x, gregexpr("chr(\\d):[a-z]\\.(\\d{8})([A-Z])>([A-Z])", xzx))，但我怀疑这是一个好的开始。
@r2evans 我认为如果我简单地发布原始正则表达式，OP 可以找出他们自己的转义序列。查看我的 regex101 示例。
@r2evans 一点也不，其实很感激 :)
@r2evans 我重新阅读了 OP 的帖子，他们要求提供三列，但他们想要的输出显示 4 列。不太确定他们的澄清是否会改变我的正则表达式和/或您添加的部分。看起来您使用了捕获组，因此将$3$4 连接成一个很简单。
很抱歉出现不一致。是的，需要如图所示的输出中的 4 列。我也意识到数值可以是灵活的，所以建议\\d+ 而不是\d{8}。感谢链接，我还学到了更多的正则表达式！

【解决方案2】：

使用基础 R，一种方法是使用 gsub 提取您想要的每个单独的片段。希望这可以帮助！

data.frame(col1 = gsub("chr(\\d+).*", "\\1", text),
           col2 = gsub(".*:g\\.(\\d+).*", "\\1", text),
           col3 = gsub(".*([A-Z])>[A-Z]", "\\1", text),
           col4 = gsub(".*>([A-Z])", "\\1", text),
           stringsAsFactors = F)

  col1     col2 col3 col4
1    6 32218989    G    A
2    6 32409530    G    A
3    6 33042880    A    G
4    6 32590925    G    A
5    6 31006855    T    C
6    6 31093587    G    A

数据：

text <- c(
  "chr6:g.32218989G>A",
  "chr6:g.32409530G>A",
  "chr6:g.33042880A>G",
  "chr6:g.32590925G>A",
  "chr6:g.31006855T>C",
  "chr6:g.31093587G>A"
  )

【讨论】：

我相信 OP 希望最后两个字母分开？
完美！在 R 中也输出为一个不错的数据框。选择这个作为答案，因为它提供了一个我可以使用的 df。