R-在特定模式之后修剪数据框中的字符串答案

【问题标题】：R- Trimming a string in a dataframe after a particular patternR-在特定模式之后修剪数据框中的字符串
【发布时间】：2017-08-29 20:04:50
【问题描述】：

我无法弄清楚如何修剪数据框中字符串的结尾。

我想将所有内容修剪为一个“基本”名称，在#s 和字母之后，一个句点，然后是一个数字。我的目标是将我的数据框中的所有内容都修剪为这个“基础”名称，然后将这些值与相同的“基础”相加。我在想有可能修剪，然后合并和求和这些值。

    ie/
    Gene_name   Values
    B0222.5     4
    B0222.6     16
    B0228.7.1   2
    B0228.7.2   12
    B0350.2h.1  30
    B0350.2h.2  2
    B0350.2i    15
    2RSSE.1a    3
    2RSSE.1b    10
    R02F11.11   4

到

    Gene_name   Values
    B0222.5     4
    B0222.6     16
    B0228.7     14
    B0350.2     47
    2RSSE.1     13
    R02F11.11   4

感谢您的帮助！

【问题讨论】：

使用这个正则表达式 ([[:alnum:]]+\.[[:digit:]]+) （或 ([a-zA-Z0-9]+\.[0-9]+) - 两者是等效的）捕捉你的“基本”名称，然后根据匹配减少你的数组。正则表达式不能轻松执行计算（如果你设法让它工作，这不是真的可行，而且更像是一种黑客攻击）
可能最简单的方法是使用正则表达式匹配创建一个新数组（默认值为 0），然后使用循环根据每个连续匹配添加到该数组键。我对 R 不熟悉，但这就是我在大多数其他语言中的工作方式。 a= [[B0222.5, 4], ..., [B0228.7.1, 2], [B0228.7.2, 12], ...] => 循环每个键/值对 => 第一个匹配 = B0222.5 => b=[[B0222.5, 4]] => ... => 第三个匹配 = B0228.7 => b = [[B0222.5, 4], ..., [B0228.7, 2]] => 第四个匹配 =@ 987654330@ => b = [[B0222.5, 4], ..., [B0228.7, 14]] 等

标签： r regex dataframe trim

【解决方案1】：

这是使用dplyr 和stringr 包的解决方案。您首先使用提取的基本模式创建一个列，然后使用 dplyr 中的 group_by 和 summarise 函数来获取每个名称的值的总和：

library(dplyr)
library(stringr)
df2 = df %>% mutate(Gene_name = str_extract(Gene_name,"[[:alnum:]]+\\.\\d+")) %>% 
group_by(Gene_name) %>% summarise(Values = sum(Values))

  Gene_name Values
      <chr>  <int>
1   2RSSE.1     13
2   B0222.5      4
3   B0222.6     16
4   B0228.7     14
5   B0350.2     47
6 R02F11.11      4

【讨论】：

【解决方案2】：

正如有人也建议的那样，我会先获取基因名称，然后在原始data.frame中搜索它们

df <- data.frame(Gene_name = c("B0222.5", "B0222.6", "B0228.7.1",  "B0228.7.2", "B0350.2h.1", "B0350.2h.2", "B0350.2i", "2RSSE.1a", "2RSSE.1b", "R02F11.11"),
                 Values = c(4, 16, 2, 12, 30, 2, 15, 3, 10, 4),
                 stringsAsFactors = F)

pat <- "(^[[:alnum:]]+\\.[[:digit:]]*)"
cap.pos <- regexpr(pat,  df$Gene_name)
cap.gene <- unique(substr(df$Gene_name, cap.pos, (cap.pos + attributes(cap.pos)$match.length - 1)))

do.call(rbind, lapply(cap.gene, (function(nm){
  sumval <- sum(df[grepl(nm, df$Gene_name, fixed = T),]$Values, na.rm = T)
  data.frame(Gene_name = nm, Value = sumval)
})))

根据您的要求跟踪结果

  Gene_name Value
1   B0222.5     4
2   B0222.6    16
3   B0228.7    14
4   B0350.2    47
5   2RSSE.1    13
6 R02F11.11     4

【讨论】：

【解决方案3】：

您还可以创建 Gene_name 作为因子并更改级别。

# coerce the vector as a factor
Gene_name <- as.factor(Gene_name)
# view the levels
levels(Gene_name)
# to make B0228.7.1 into B0228.7
levels(Gene_name)[ *index for B0228.7.1* ] <- B0228.7

您可以对需要更改的级别重复此操作，然后值将自动汇总在一起，具有相似级别的行将被视为同一类别。

【讨论】：