R：将数据框的列格式化为与查找表兼容

我有两个格式不稳定的data.Frame。一个是大型引用，另一个是我想查找的子集，以便从引用中提取其他数据，但格式化很困难

较小的子集如下所示：

> head(lookup, n = 2)

      gene_id class_code nearest_ref_id
1 XLOC_001184       <NA>           <NA>
2 XLOC_001225       <NA>           <NA>


> gene_short_name
1      ORF%20Transcript_11308%7Cg.37058%20Transcript_11308%7Cm.37058%20type%3Acomplete%20len%3A195%20%28%2B%29
2 ORF%20Transcript_11347%7Cg.37236%20Transcript_11347%7Cm.37236%20type%3A5prime_partial%20len%3A87%20%28%2B%29

                    locus length coverage
1 Transcript_11308:0-1727     NA       NA
2 Transcript_11347:0-1584     NA       NA

参考$seq_names

中有一个空格，

查找$lock

中有一个

：

，后面有一些额外的数字

一些

引用$seq_名称

具有更多空格的额外信息。例如：

4        Transcript_3 len=440 CDS=1-439 exon=0-440 five_prime_UTR=439-440 gene=0-440 mRNA=0-440 three_prime_UTR=0-1

转录本_1234

位是唯一标识符

---

最后，我想为每个

lookup$lock

检索

reference$sequences

，并将其附加到一个新列

lookup$sequence

，或者创建一个只包含

XLOC_1234

、

转录本_1234

位和相应序列的新数据框。感谢您的建议。

根据您提供的信息，我在这里为您提供一些解决问题的建议/策略。假设您的数据类型是

data.frame

s，而不是像

genomarranges

这样的专门类。（使用功能

class

进行双重检查）

• 首先，您需要清理列

  reference$seq_names

  ，方法是去除您提到的多余空间。诸如

  gsub

  和

  str_replace

  之类的功能将非常有用。看
• 类似地，需要清理

  查找

  data.frame。要在

  ：

  之后删除文本/数字，函数

  gsub

  是您的朋友；您可以将其与正则表达式相结合，删除感兴趣的符号后的所有内容。例如：

  4        Transcript_3 len=440 CDS=1-439 exon=0-440 five_prime_UTR=439-440 gene=0-440 mRNA=0-440 three_prime_UTR=0-1
  

  查找$locus