如何在R中多次使用grepl函数答案

【问题标题】：How to use grepl function multiple times, in R如何在R中多次使用grepl函数
【发布时间】：2020-06-04 20:06:21
【问题描述】：

我有一个像go_id 这样的向量和一个像data 这样的data.frame。

go_id <- c("[GO:0000086]", "[GO:0000209]", "[GO:0000278]")


protein_id <- c("Q96IF1","P26371","Q8NHG8","P60372","O75526","Q01130")
bio_process <- c("[GO:0000086]; [GO:0000122]; [GO:0000932]", "[GO:0005829]; [GO:0008544]","[GO:0000209]; [GO:0005737]; [GO:0005765]","NA","[GO:0000398]; [GO:0003729]","[GO:0000278]; [GO:0000381]; [GO:0000398]; [GO:0003714]")
data <- as.data.frame(cbind(protein_id,bio_process))

如何保留data 的行，其中bio_process 单元格至少包含go_ids 元素之一？我注意到 GO 代码不能在同一个bio_process 单元格中重复。

更准确地说，我只想接收 data.frame 的第一行、第三行和第六行。

我已经尝试了for loop 使用 'grepl' 函数，如下所示：

go_id <- gsub("GO:","", go_id, fixed = TRUE)
for (i in 1:6) {
  new_data <- data[grepl("\\[GO:go_id[i]\\]",data$Gene.ontology..biological.process.)]
  }

我知道这是行不通的，因为我无法将变量值放入正则表达式中。

对此有什么想法吗？谢谢

【问题讨论】：

标签： r grepl

【解决方案1】：

我们可以使用Reduce 和grepl

data$ind <-  Reduce(`|`, lapply(go_id, function(pat) 
           grepl(pat, data$bio_process, fixed = TRUE)))

data
#  protein_id                                            bio_process   ind
#1     Q96IF1               [GO:0000086]; [GO:0000122]; [GO:0000932]  TRUE
#2     P26371                             [GO:0005829]; [GO:0008544] FALSE
#3     Q8NHG8               [GO:0000209]; [GO:0005737]; [GO:0005765]  TRUE
#4     P60372                                                     NA FALSE
#5     O75526                             [GO:0000398]; [GO:0003729] FALSE
#6     Q01130 [GO:0000278]; [GO:0000381]; [GO:0000398]; [GO:0003714]  TRUE

【讨论】：

我想找出“go_id”向量的元素存在于哪些行中。看来您根本没有涉及“go_id”。
@ReaKalampaliki 是你的“go_vector”命名为go_id
是的，我的向量是“go_id”。谢谢
使用akrun的方法识别行后，可以使用new_data <- data[data$ind,]对数据进行子集化。
@ReaKalampaliki 是的，它基本上是在检查 go_id 的 any 元素是否存在。如果要检查所有元素，请将Reduce 中的| 更改为&

【解决方案2】：

您应该在grepl() 中使用fixed = TRUE：

vect <- rep(FALSE, nrow(data))
for(id in go_id){
  vect <- vect | grepl(id, data$bio_process, fixed = T)
}
data[vect,]

【讨论】：

【解决方案3】：

您可以使用str_extract 子集来定义那些独特的子字符串上的模式：

library(stringr)
data[grepl(paste(str_extract(go_id, "\\d{4}]"), collapse="|"),  data$bio_process),]
  protein_id                                            bio_process
1     Q96IF1               [GO:0000086]; [GO:0000122]; [GO:0000932]
3     Q8NHG8               [GO:0000209]; [GO:0005737]; [GO:0005765]
6     Q01130 [GO:0000278]; [GO:0000381]; [GO:0000398]; [GO:0003714]

编辑：

最直接的解决方案是使用 grepl 和 paste0 进行子集化，为元字符 [ 添加转义斜线：

data[grepl(paste0("\\", go_id, collapse="|"),  data$bio_process),]

【讨论】：