函数在R中的字符串的特定位置查找不同的模式

我试图在R中创建一个函数，在字符串中搜索特定位置的特定模式，如果字母出现在已确定的位置，我想计算它

数据集示例：

library(dplyr)

mutations <- tibble(
  "position" = c(9,10),
  "AA" = c("G","G"))

strings <- c("EVQLVESGGGLAKPG", 
             "VQLVESGGGLAKPGGS",
             "EVQLVESGGALAKPGGSLRLSCAAS")

在本例中，所有字符串在位置9处都有一个

“G”

，因此它们都将得到1，而三个序列中只有一个在位置10处有一个

“G”

，因此该序列将有2个

我试图从

stringr

包中使用

str\u locate\u all（）

来定位位置，然后与我的数据帧进行比较以计数，但我没有得到我想要的

library(stringr)

.class_mutations <- function(sequences, mutations){
  .count_pattern <- function(x){
    df <- sum(as.integer(locating_all_patterns[[x]][,"start"] == mutations$position[mut]))
  }
  
  for(mut in nrow(mutations)){
    locating_all_patterns <- str_locate_all(pattern = mutations$AA[mut], sequences)
    counting_patterns <- lapply(locating_all_patterns, .count_pattern)
  }
    
  return(counting_patterns)
}

.class_mutations(strings, mutations)

库（stringr）
.R类
rowSums（外部（字符串，序列）（nrow（突变）），
功能（st，i）{
substr（st，突变$position[i]，突变$position[i]）==突变$AA[i]
}))
# [1] 2 1 1

走查：


outer
实际上只生成两个向量，这是两个参数笛卡尔乘积的扩展。如果我们插入一个
browser（）
作为内部anon函数的第一行，我们将看到

数据帧（st，i）
#圣一
#1 EVQLVESGGGLAKPG 1
#2 VQLVESGGGLAKPGS 1
#3 EVQLVESGGALAKPGSLRLSCAAS 1
#4 EVQLVESGGGLAKPG 2
#5 VQLVESGGGLAKPGS 2
#6 EVQLVESGGALAKPGSLRLSCAAS 2

（仅显示为专栏演示文稿的框架。
st
和
i
都是简单向量。）

从这里，知道
substr
在所有参数中都是矢量化的，那么对
substr
的单个调用将在每个
st
环中找到
i
th字符


substr
的结果是字母向量。从上面继续相同的
browser（）
会话

substr（st，突变$position[i]，突变$position[i]）
#[1]“G”“G”“G”“L”“A”
$AA[i]
#[1]“G”“G”“G”“G”“G”“G”
substr（st，突变$position[i]，突变$position[i]）==突变$AA[i]
#[1]正确-正确-错误-错误

translations$AA[i]
向我们展示了我们在寻找什么。这里向量化方法的一个优点是，
translations$AA[i]
将始终保持相同的长度，并且按照
substr（.）
检索的预期字母顺序


外部
本身返回一个
矩阵
，其中
长度（X）
行和
长度（Y）
列（
X
和
Y
分别是
外部
的第一个和第二个参数）

outer（字符串、序列（nrow（突变）），
功能（st，i）{
substr（st，突变$position[i]，突变$position[i]）==突变$AA[i]
})
#      [,1]  [,2]
#[1，]正确
#[2，]对错
#[3，]对错

在每个字符串中找到的正确突变数只是每行的总和。（因此
rowSums
）




如果您担心大量的
突变
和
字符串
，您可以替换
外部
，并迭代每行
突变
：

行和（sapply（seq_len（nrow（突变）），函数（i）substr（字符串，突变$position[i]，突变$position[i]）==突变$AA[i]））
# [1] 2 1 1

这将为每一行调用一次
substr
，因此如果
outer
-爆炸过大，这可能会减少内存占用。
对于基本R选项，我们可以确保字符串函数。此方法比较替换目标字符前后每个子字符串的长度：

nchar（子字符串，9，10））-
nchar（gsub（“G”，substr（字符串，9，10），fixed=TRUE））
[1] 2 1 1

数据：

strings <- c("EVQLVESGGGLAKPG", 
             "VQLVESGGGLAKPGGS",
             "EVQLVESGGALAKPGGSLRLSCAAS")

字符串我以“G”为例，实际上，我有一个数据框，在不同的位置有许多不同的字母。要使用您的方法，我想我必须为数据帧中的每个不同的“AA”做一个循环。是吗？我只能回答我能看到的问题，但是你可以使用我在上面的答案中的逻辑，在字母替换向量上使用
apply
函数。我测试了复制字符串1000000次，看它是否对这个数量的字符串太慢，但仍然非常快。我很惊讶！内存使用基于
长度（字符串）*nrow（突变）
。如果
突变
很大，那么这就是问题可能出现的地方。很高兴它工作得很好！
strings <- c("EVQLVESGGGLAKPG", 
             "VQLVESGGGLAKPGGS",
             "EVQLVESGGALAKPGGSLRLSCAAS")