匹配数据框行和报告坐标之间的字符串答案

【问题标题】：Match strings between rows of a dataframe and report coordinates匹配数据框行和报告坐标之间的字符串
【发布时间】：2018-07-09 20:28:28
【问题描述】：

我有一个包含数百行的数据框，看起来像这样：

Gene = c("EIF4A1", "CAPNS1", "LDHA", "RPL38", "CCAR1")
Pep = c("TGKTATFAISILQQIELDLKA", "MFLVNSFLKGGGGG", "CAISILMKDLAD", "VITDKEKAEKLKQSL", "TPANYQLTQTAALQQQAA")
Seq = c("MSASQDSRSRDNGPDGMEPEGVIESNWNEIVDSFDDMNLSESLLRGIYAYGFEKPSAIQQRAILPCIKGYDVIAQAQSGTGKTATFAISILQQIELDLKATQALVL*",
          "MFLVNSFLKGGGGGGGGGGGLGGGLGNVLGGLISGAGGGGGGGGGGGGGGGGGGGGTAMRILGGVISAISEAAAQYNPES*",
          "MATLKDQLIYNLLKEEQTPQNKITVVGVGAVGMACAISILMKDLADELALVDVIEDKLKGEMMDLQHGSLFLRTPKIVSGKDVFTE",
          "MPRKIEEIKDFLLTARRKDAKSVKIKKNKDNVKFKVRCSRYLYTLVITDKEKAEKLKQSLPPGLAVKELK*",
          "MAQFGGQKNPPWATQFTATAVSQPAALGVQQPSLLGASPTIYTQQTALAAAGLTTQTPANYQLTQTAALQQQAAAAAAALQQQYSQPQDQKSKENGASV")

df_in = data.frame(Gene, Pep, Seq)

我想将"Pep" 中的序列与"Seq" 中的序列进行匹配，并报告匹配是否在"Seq" 中序列的第一、第二、第三或第四季度内。如果序列落在边界内，则考虑匹配 >50% 的四分之一。

所需的输出数据帧：

df_out = data.frame(Gene, Pep, Seq, Q1, Q2, Q3, Q4)

非常感谢。

【问题讨论】：

我是 R 新手，但我在用它分析数据方面投入了大量时间。希望有人可能有想法（可能还有代码）来解决这个问题。因为，grep/stringr 处理文本，所以添加了这些标签。但是，老实说，任何工具（在 R 内）都可以。谢谢。

标签： r

【解决方案1】：

对于第一个切入点，您可以使用regexpr 查找第一个匹配项的索引。然后使用 Pep 中点的索引来检查它在哪个季度。

df_in = data.frame(Gene, Pep, Seq, stringsAsFactors=FALSE)

mapply(function(pp, sq) {
        posn <- regexpr(pp, sq)[[1]]
        midpt <- (posn + posn + nchar(pp) - 1) / 2
        ceiling( midpt / nchar(sq) * 4 )
    }, df_in$Pep, df_in$Seq)

在此之后，您可以开始处理特殊情况，例如 1) 如果在 Seq 中找不到确切的 Pep 字符串等。

【讨论】：

非常感谢@chinsoon12。这非常有效。输出与我想要的不完全相同，但更好:)