R 给定字符向量中具有多个模式的正则表达式

我有一个字符串（x，见下文），它有许多不同的格式。它们都是基因组上的位置，但名称不同。这些名字是给我的，属于大约600万人的名单，所以我不容易手动更改。这是一个子集，但也有类似X1或chr 13的其他子集也属于此列表的一部分：

 x <- c("rs62224609.16051249.T.C", "rs376238049.16052962.C.T","rs62224614.16053862.C.T","X22.17028719.G.A", "rs4535153", "X22.17028719.G.A", "kgp3171179", "rs375850426.17029070.GCAGTGGC.G"  , "chr22.17030620.G.A")

---

任何帮助都将不胜感激

如果您的所有数据都与您给出的示例相符：

x = c("rs62224609.16051249.T.C", "rs376238049.16052962.C.T","rs62224614.16053862.C.T","X22.17028719.G.A", "rs4535153", "X22.17028719.G.A", "kgp3171179", "rs375850426.17029070.GCAGTGGC.G"  , "chr22.17030620.G.A")

有两种类型的ID，一种是SNP ID（从rs或kgp开始），另一种是给出染色体位置（从染色体名称开始）。 你可以从识别你的SNP ID开始，比如：

x1 = gsub("((rs|kgp)\\d+).*","\\1",x)

这将返回：

[1] "rs62224609"     "rs376238049"    "rs62224614"     "X22.17028719.G.A"   "rs4535153"     "X22.17028719.G.A"   "kgp3171179"     "rs375850426"     "chr22.17030620.G.A"

[1] "rs62224609"     "rs376238049"    "rs62224614"     "chr22:17028719" "rs4535153"      "chr22:17028719"   "kgp3171179"     "rs375850426"    "chr22:17030620"

然后将染色体位置格式化为（我假设你的染色体是1到22，X，Y和M，但这取决于你的数据）：

这将返回：

[1] "rs62224609"     "rs376238049"    "rs62224614"     "X22.17028719.G.A"   "rs4535153"     "X22.17028719.G.A"   "kgp3171179"     "rs375850426"     "chr22.17030620.G.A"

[1] "rs62224609"     "rs376238049"    "rs62224614"     "chr22:17028719" "rs4535153"      "chr22:17028719"   "kgp3171179"     "rs375850426"    "chr22:17030620"

---

如果您的所有数据都与您给出的示例相符：

x = c("rs62224609.16051249.T.C", "rs376238049.16052962.C.T","rs62224614.16053862.C.T","X22.17028719.G.A", "rs4535153", "X22.17028719.G.A", "kgp3171179", "rs375850426.17029070.GCAGTGGC.G"  , "chr22.17030620.G.A")

有两种类型的ID，一种是SNP ID（从rs或kgp开始），另一种是给出染色体位置（从染色体名称开始）。 你可以从识别你的SNP ID开始，比如：

x1 = gsub("((rs|kgp)\\d+).*","\\1",x)

这将返回：

[1] "rs62224609"     "rs376238049"    "rs62224614"     "X22.17028719.G.A"   "rs4535153"     "X22.17028719.G.A"   "kgp3171179"     "rs375850426"     "chr22.17030620.G.A"

[1] "rs62224609"     "rs376238049"    "rs62224614"     "chr22:17028719" "rs4535153"      "chr22:17028719"   "kgp3171179"     "rs375850426"    "chr22:17030620"

然后将染色体位置格式化为（我假设你的染色体是1到22，X，Y和M，但这取决于你的数据）：

这将返回：

[1] "rs62224609"     "rs376238049"    "rs62224614"     "X22.17028719.G.A"   "rs4535153"     "X22.17028719.G.A"   "kgp3171179"     "rs375850426"     "chr22.17030620.G.A"

[1] "rs62224609"     "rs376238049"    "rs62224614"     "chr22:17028719" "rs4535153"      "chr22:17028719"   "kgp3171179"     "rs375850426"    "chr22:17030620"

---

“X22.17028719.G.A”

“chr22:17028719”与

“rs62224609.16051249.T.C”

->

“rs62224609”

请用补充信息编辑原始问题。是的，您能解释一下

“X22.17028719.G.A”

变成

“chr22:17028719”的原因吗“

？有没有像

X22

这样的前缀需要这样替换，或者您可以将

X22.

的所有实例替换为

chr22:

？谢谢您的提问！是的，我可以，但我正在尝试自动化，因为还有X1，X2。。。一直到X22。除了X之外，没有其他前缀。

“X22.17028719.G.A”与
“rs62224609.16051249.T.C”
“rs62224609”

的区别是什么？请用补充信息编辑原始问题。是的，你能解释一下为什么

“X22.17028719.G.A”变成
chr22:17028719“
？有没有像
X22
这样的前缀需要这样替换，或者您可以将
X22.
的所有实例替换为
chr22:
？谢谢您的提问！是的，我可以，但我正在尝试自动化，因为还有X1，X2。。。一直到X22。除了X.Hi@Lamia之外，没有其他前缀。另一个简单的问题是…假设我有一个类似于此测试的SNP列表，如果你做了
gsub（（（rs|kgp）\\d+）.*，“\\1”，c（'psy_rs1806509_c'，'psy_rs18350409_TTA'）
，它返回“psy_rs1806509”“psy_rs18350409”。这不是你想要的吗？嗨，拉米娅。另一个简单的问题是…假设我有一个类似于此测试的SNP列表，如果你做了
gsub（（（rs|kgp）\\d+）.*，“\\1”，c（'psy_rs1806509_c'，'psy_rs18350409_TTA'）
，它返回“psy_rs1806509”“psy_rs18350409”。这不是你想要的吗？