如何使用R、stingr拆分字符串

我想将以下格式拆分为四列

chr6:g.32218989G>A
chr6:g.32409530G>A
chr6:g.33042880A>G
chr6:g.32590925G>A
chr6:g.31006855T>C
chr6:g.31093587G>A

所需格式为：

    6   32218989    G   A
    6   32409530    G   A
    6   33042880    A   G
    6   32590925    G   A
    6   31006855    T   C
    6   31093587    G   A      `    

我试过了

str_remove（xzx，c（“chr”，“g”））

---

但是被卡住了。请注意，两个数字列都是n位数字，对于col1不一定是n=1，对于col2不一定是n=8。

不确定R是否是一种语言，但使用regex，您可以：

chr(\d):[a-z]\.(\d{8})([A-Z])>([A-Z])

而

$1$2$3$4

将包含您想要的内容

看

在R工作：

gsub（“chr（\\d）：[a-z]\.（\\d{8}）（[a-z]）>（[a-z]），“\\1:\\2:\\3:\\4”，xzx）
#[1]“6:32218989:G:A”“6:32409530:G:A”“6:33042880:A:G”“6:32590925:G:A”“6:31006855:T:C”“6:31093587:G:A”
strsplit（gsub（“chr（\\d）：[a-z]\.（\\d{8}）（[a-z]）>（[a-z]），“\\1:\\2:\\3:\\4”，xzx），“：”）
# [[1]]
#[1]“6”“32218989”“G”“A”
# [[2]]
#[1]“6”“32409530”“G”“A”
# [[3]]
#[1]“6”“33042880”“A”“G”
# [[4]]
#[1]“6”“32590925”“G”“A”
# [[5]]
#[1]“6”“31006855”“T”“C”
# [[6]]
#[1]“6”“31093587”“G”“A”

不确定R是否是一种语言，但使用正则表达式，您可以：

chr(\d):[a-z]\.(\d{8})([A-Z])>([A-Z])

而

$1$2$3$4

将包含您想要的内容

看

在R工作：

gsub（“chr（\\d）：[a-z]\.（\\d{8}）（[a-z]）>（[a-z]），“\\1:\\2:\\3:\\4”，xzx）
#[1]“6:32218989:G:A”“6:32409530:G:A”“6:33042880:A:G”“6:32590925:G:A”“6:31006855:T:C”“6:31093587:G:A”
strsplit（gsub（“chr（\\d）：[a-z]\.（\\d{8}）（[a-z]）>（[a-z]），“\\1:\\2:\\3:\\4”，xzx），“：”）
# [[1]]
#[1]“6”“32218989”“G”“A”
# [[2]]
#[1]“6”“32409530”“G”“A”
# [[3]]
#[1]“6”“33042880”“A”“G”
# [[4]]
#[1]“6”“32590925”“G”“A”
# [[5]]
#[1]“6”“31006855”“T”“C”
# [[6]]
#[1]“6”“31093587”“G”“A”

使用base R，一种方法是使用

gsub

提取您想要的每个片段。希望这有帮助

data.frame(col1 = gsub("chr(\\d+).*", "\\1", text),
           col2 = gsub(".*:g\\.(\\d+).*", "\\1", text),
           col3 = gsub(".*([A-Z])>[A-Z]", "\\1", text),
           col4 = gsub(".*>([A-Z])", "\\1", text),
           stringsAsFactors = F)

  col1     col2 col3 col4
1    6 32218989    G    A
2    6 32409530    G    A
3    6 33042880    A    G
4    6 32590925    G    A
5    6 31006855    T    C
6    6 31093587    G    A

数据：

text <- c(
  "chr6:g.32218989G>A",
  "chr6:g.32409530G>A",
  "chr6:g.33042880A>G",
  "chr6:g.32590925G>A",
  "chr6:g.31006855T>C",
  "chr6:g.31093587G>A"
  )

---

text使用base R，一种方法是使用
gsub
提取您想要的每个片段。希望这有帮助

data.frame(col1 = gsub("chr(\\d+).*", "\\1", text),
           col2 = gsub(".*:g\\.(\\d+).*", "\\1", text),
           col3 = gsub(".*([A-Z])>[A-Z]", "\\1", text),
           col4 = gsub(".*>([A-Z])", "\\1", text),
           stringsAsFactors = F)

  col1     col2 col3 col4
1    6 32218989    G    A
2    6 32409530    G    A
3    6 33042880    A    G
4    6 32590925    G    A
5    6 31006855    T    C
6    6 31093587    G    A

数据：

text <- c(
  "chr6:g.32218989G>A",
  "chr6:g.32409530G>A",
  "chr6:g.33042880A>G",
  "chr6:g.32590925G>A",
  "chr6:g.31006855T>C",
  "chr6:g.31093587G>A"
  )

strsplit（gsub（“chr | g\\”，“”，xzx），“[：>]”）的文本可能的重复项
在样本完全具有代表性的情况下起作用。@r2evans它似乎不会分隔数字后面的字符。第一行89G。正确，不完美……你在问题中要求3栏，但在你想要的答案中似乎用了4栏。请澄清。
strsplit（gsub（“chr | g\\.，”，xzx），“[：>]”）的可能重复项如果示例完全具有代表性，则可以使用。@r2evans它似乎不会将数字后面的字符分隔开。第一行89G。正确，不完美……你在问题中要求3栏，但在你想要的答案中似乎用了4栏。请澄清。（R需要双反斜杠，所以我添加了它们。）在R:
regmatches（x，gregexpr（“chr（\\d）：[a-z]\.（\\d{8}）（[a-z]）>（[a-z]）>，xzx）中不起作用。
，但我怀疑这是一个好的开始。@r2evans我认为，如果我简单地发布原始regex，OP可以找出它们自己的转义序列。查看我的regex101示例。@r2evans一点也不，事实上我很感激：）@r2evans我重新阅读了OP的帖子，他们要求提供三列，但他们想要的输出显示了四列。不太确定他们的澄清是否会改变我的正则表达式和/或你添加的片段。看起来您使用的是捕获组，因此将
$3$4
合并为一个组将非常简单。对于不一致性，非常抱歉。是，输出中需要4列，如图所示。我还意识到数值可以灵活使用，因此建议使用
\\d+
而不是
\d{8}
。多亏了这个链接，我还学到了更多的正则表达式！（R需要双反斜杠，所以我添加了它们。）在R:
regmatches（x，gregexpr（“chr（\\d）：[a-z]\.（\\d{8}）（[a-z]）>（[a-z]）”，xzx）中不起作用。
，但我怀疑这是一个好的开始。@r2evans我发现，如果我简单地发布原始regex，OP可以找出它们自己的转义序列。查看我的regex101示例。@r2evans一点也不，事实上我很感激：）@r2evans我重新阅读了OP的帖子，他们要求提供三列，但他们想要的输出显示了四列。不太确定他们的澄清是否会改变我的正则表达式和/或你添加的片段。看起来您使用的是捕获组，因此将
$3$4
合并为一个组将非常简单。对于不一致性，非常抱歉。是，输出中需要4列，如图所示。我还意识到数值可以灵活使用，因此建议使用
\\d+
而不是
\d{8}
。多亏了这个链接，我还学到了更多的正则表达式！我相信OP希望最后两个字母分开？太好了！在R中输出为一个很好的数据帧。选择这个作为答案，因为它提供了一个我可以使用的df。我相信OP希望最后两个字母分开？太好了！在R中输出为一个很好的数据帧。选择这个作为答案，因为它提供了一个我可以使用的df。