sub()：反向引用的处理

Question

假设我有一个像“C5Cl2NO2S”这样的分子式，我想在 R 中计算其分子量。我虽然最简单的方法是使用正则表达式，分析公式并将其拆分为元素组件，然后将它们交给执行计算的单独函数。但是，我面临的问题是，当我交出我的 RegEx 的反向引用时，它们不会被评估而是以“\\1”、“\\2”的形式提交。

这是我的尝试：

masses <- list(
  C  = 12,
  H  = 1.01,
  Cl = 34.97,
  N  = 14.00,
  O  = 15.99,
  P  = 30.97,
  S  = 31.97
)

elementMass <- function( element, count ) {
  if( count == "" ) {
    count <- "1"
  }
  return( as.character( masses[[ element ]] * as.numeric( count ) ) )
}


sumFormula2Mass <- function( x ){
  y <- 0.0
  for( e in x ) {
    if( e != "" ) {
      y <- y + as.numeric( sub( "^(C|H|Cl|N|O|P|S)([0-9]*)$", elementMass("\\1", "\\2"), e ) )
    }
  }
  return( y )
}

sub(
  "^(C[0-9]*)?(H[0-9]*)?(Cl[0-9]*)?(N[0-9]*)?(O[0-9]*)?(P[0-9]*)?(S[0-9]*)?$",
  sumFormula2Mass( c("\\1", "\\2", "\\3", "\\4", "\\5", "\\6", "\\7") ),
  "C5Cl2NO2S"
)

任何想法如何改善这一点？ 非常感谢

Answer 1

下面我们假设问题中的公式形式，即一串组件，每个组件都是一个大写字母，后跟可选的小写字母，后跟可选的数字。我们在 gsubfn 包中使用gsubfn。它就像gsub，除了替换字符串可以是各种其他对象。这是一个原型对象。 proto 对象是一个环境，在这里它用于包含属性sum 和两个方法pre 和fun。一开始pre是自动运行的，具有初始化sum的效果。然后每次正则表达式匹配时，将 proto 对象和两个引用的字符串传递给fun 并运行fun 来处理它们。最后p$sum 包含结果。问题中定义了变量masses。

library(gsubfn)
p <- proto(pre = function(this) this$sum <- 0,
    fun = function(this, name, count) {
        count <- as.numeric(count)
        if (is.na(count)) count <- 1
        this$sum <- this$sum + masses[[name]] * count
        ""
    })
gsubfn("([[:upper:]][[:lower:]]*)(\\d*)", p, "C5Cl2NO2S")
p$sum # 207.89

Answer 2

我不认为sub() 中的反向引用是这样工作的。当它们是输入时，您似乎将它们视为返回值。

这是一个不同的解决方案。它采用了一种非常不同的方法，即将字符串分成单独的部分，然后引用这些部分。但是，它有一些限制。首先，它假设不能处理带括号的化学式。其次，它假设原子被合理地写成（即氯写成 Cl - 大写 C 和小写 l）。可能还有很多其他限制，但这应该让您了解此解决方案的外观。

sumFormula2Mass2 <- function(x,masses){
  summedMasses <- NULL
  for(e in x){
    ## split up the string
    split.e <- unlist(strsplit(e,''))
    ## join letters from individual elements (since subequent letters should be lower case)
    ilower <- grep('[a-z]',split.e)
    if(length(ilower) > 0){
      for(i in 1:length(ilower)){
        j <- ilower[i]
        split.e <- c(if(j > 2) split.e[1:(j-2)],
                     paste(split.e[(j-1):j],collapse=''),
                     if(j < length(split.e)) split.e[(j+1):length(split.e)])
        ilower <- ilower - 1
      }
    }
    ## join numbers together (in case there are more than 10 atoms)
    inum <- grep('[0-9]',split.e)
    if(length(inum) > 1){
      for(i in 1:(length(inum)-1)){ 
        if(inum[i + 1] == inum[i] + 1){
          j <- inum[i]
          split.e <- c(split.e[1:(j-1)],
                       paste(split.e[j:(j+1)],collapse=''),
                       if(j+2 <= length(split.e)) split.e[(j+2):length(split.e)])
          inum <- inum - 1
        }
      }
    }
    ## add up the mass
    sumMass = 0
    for(i in 1:length(split.e)){
      if(length(grep('[1-9]',split.e[i])) > 0){
        next 
      } else if(split.e[i] %in% names(masses)){
        nMolecules <- 1
        if(i != length(split.e) && length(grep('[1-9]',split.e[i+1])) > 0)
          nMolecules <- as.numeric(split.e[i+1])
        sumMass <- sumMass + nMolecules * masses[[split.e[i]]]
      } else {
        warning(sprintf('Could not match element %s',split.e[i]))
        next
      }
    }
    summedMasses <- c(summedMasses,sumMass)
  }
  return(summedMasses)
}

以下是您的化合物以及一些合成化合物的一些结果（我不是化学家）：

> sumFormula2Mass2(c("C5Cl2NO2S","C5Cl2NO2S4","C5Cl10NO2S4"),masses)
[1] 207.89 303.80 583.56

Answer 3

信不信由你，这似乎并不少见：

Parsing a chemical formula

How to check that a regular expression has matched a string completely, i.e. - the string did not contain any extra character?

http://www.sitepoint.com/forums/php-34/chemical-formula-regular-expressions-317012.html

我通过谷歌搜索找到了上述内容molecular formula regex

Answer 4

看看

RSiteSearch ("molecular weight")

我猜第 2 次或第 3 次命中就是您要寻找的（第一次是蛋白质）。

（抱歉，没有看到您对另一个答案的评论 - 但是，我留下这个以防有人真的在寻找分子量计算）。