如何在R中提取数据帧中字符串的中间部分？

我有一个蛋白质组数据框架，有几列。其中一个叫做描述，其中我们有蛋白质、OS、基因名GN、PE和SV，如下所示

>headpccmit$说明 [1] 蛋白质NDRG4 OS=智人GN=NDRG4 PE=1 SV=2 [2] V型质子ATP酶亚单位B脑亚型OS=智人GN=ATP6V1B2 PE=1 SV=3 [3] 血清转铁蛋白OS=智人GN=TF PE=1 SV=3 [4] 谷氨酰胺酶肾亚型\线粒体OS=智人GN=GLS PE=1 SV=1 [5] 腺苷酸激酶同工酶1 OS=智人GN=AK1 PE=1 SV=3 [6] Sideroflexin-1 OS=智人GN=SFXN1 PE=1 SV=4 然后，我想提取蛋白质的基因名

我尝试过使用：str_extract工具，但是它不起作用。可能是因为我没有使用工具所需的正确模式

str_extractA$Description，start=GN=，end=PE 我希望有一个包含这些基因名称的数据框

> head(pccmit$Description)
[1] NDRG4
[2] ATP6V1B2
[3] TF

感谢大家使用stringr软件包：

？使用stringr软件包：

---

以下是一些备选方案。除5外，不使用任何包装

1 sub使用末尾注释中显示的行，并假设基因名称不包含任何空格，这将匹配GN=之前的所有内容，然后捕获后续的非空格，然后匹配所有内容，用捕获的部分替换所有内容，即GN=之后的非空格。没有使用任何软件包

sub(".*GN=(\\S+).*", "\\1", Lines)
## [1] "NDRG4"    "ATP6V1B2" "TF"       "GLS"      "AK1"      "SFXN1"   

2另一种方法是删除小于等于GN=的所有内容，然后删除后续空格中的所有内容：

gsub(".*GN=|\\s.*", "", Lines)
## [1] "NDRG4"    "ATP6V1B2" "TF"       "GLS"      "AK1"      "SFXN1"   

3 read.dcf另一种替代方法是将数据转换为dcf格式，然后使用read.dcf将其读入。这将解析所有字段，并从生成矩阵m的数据本身派生出它们的名称

给出此data.frame：

                                              X           OS       GN PE SV
1                                 Protein NDRG4 Homo sapiens    NDRG4  1  2
2 V-type proton ATPase subunit B_ brain isoform Homo sapiens ATP6V1B2  1  3
3                               Serotransferrin Homo sapiens       TF  1  3
4     Glutaminase kidney isoform_ mitochondrial Homo sapiens      GLS  1  1
5                  Adenylate kinase isoenzyme 1 Homo sapiens      AK1  1  3
6                                Sideroflexin-1 Homo sapiens    SFXN1  1  4

如果DF是该数据帧，那么DF$GN是基因名称

5 Straplyc指定一个模式，该模式由GN=和非空白组成，并将后者放入一个捕获组中，该捕获组返回。这是这里所有备选方案中最简单的正则表达式

library(gsubfn)
strapplyc(Lines, "GN=(\\S+)", simplify = TRUE)
## [1] "NDRG4"    "ATP6V1B2" "TF"       "GLS"      "AK1"      "SFXN1"   

笔记

---

这里有一些替代方案。除5外，不使用任何包装

1 sub使用末尾注释中显示的行，并假设基因名称不包含任何空格，这将匹配GN=之前的所有内容，然后捕获后续的非空格，然后匹配所有内容，用捕获的部分替换所有内容，即GN=之后的非空格。没有使用任何软件包

sub(".*GN=(\\S+).*", "\\1", Lines)
## [1] "NDRG4"    "ATP6V1B2" "TF"       "GLS"      "AK1"      "SFXN1"   

2另一种方法是删除小于等于GN=的所有内容，然后删除后续空格中的所有内容：

gsub(".*GN=|\\s.*", "", Lines)
## [1] "NDRG4"    "ATP6V1B2" "TF"       "GLS"      "AK1"      "SFXN1"   

3 read.dcf另一种替代方法是将数据转换为dcf格式，然后使用read.dcf将其读入。这将解析所有字段，并从生成矩阵m的数据本身派生出它们的名称

给出此data.frame：

                                              X           OS       GN PE SV
1                                 Protein NDRG4 Homo sapiens    NDRG4  1  2
2 V-type proton ATPase subunit B_ brain isoform Homo sapiens ATP6V1B2  1  3
3                               Serotransferrin Homo sapiens       TF  1  3
4     Glutaminase kidney isoform_ mitochondrial Homo sapiens      GLS  1  1
5                  Adenylate kinase isoenzyme 1 Homo sapiens      AK1  1  3
6                                Sideroflexin-1 Homo sapiens    SFXN1  1  4

如果DF是该数据帧，那么DF$GN是基因名称

5 Straplyc指定一个模式，该模式由GN=和非空白组成，并将后者放入一个捕获组中，该捕获组返回。这是这里所有备选方案中最简单的正则表达式

library(gsubfn)
strapplyc(Lines, "GN=(\\S+)", simplify = TRUE)
## [1] "NDRG4"    "ATP6V1B2" "TF"       "GLS"      "AK1"      "SFXN1"   

笔记

---

这是另一种方法，与其他答案相比，base R肯定不好，但好吧，我想如果你不擅长正则表达式-

x <- "Protein NDRG4 OS=Homo sapiens GN=NDRG4 PE=1 SV=2"

strsplit(x, " ") %>% 
  unlist() %>% 
  grep(pattern = "GN=", ., value = T) %>% 
  sub("GN=", "", .)

[1] "NDRG4"

---

这是另一种方法，与其他答案相比，base R肯定不好，但好吧，我想如果你不擅长正则表达式-

x <- "Protein NDRG4 OS=Homo sapiens GN=NDRG4 PE=1 SV=2"

strsplit(x, " ") %>% 
  unlist() %>% 
  grep(pattern = "GN=", ., value = T) %>% 
  sub("GN=", "", .)

[1] "NDRG4"

---

另一种基本方法可以是：

regmatches( Lines, gregexpr( "(?<=GN=).*?(?= PE)", Lines, perl = TRUE ) )

---

另一种基本方法可以是：

regmatches( Lines, gregexpr( "(?<=GN=).*?(?= PE)", Lines, perl = TRUE ) )

---

对于一行中有多个'PE'字符串的情况，您可以添加一个？到。*部分，使其不贪婪。。完整的正则表达式模式将变成？仅在一行中有多个'PE'字符串的情况下，您可以添加一个？到。*部分，使其不贪婪。。完整的正则表达式模式会变成什么？