r - 从具有逗号分隔值的列中提取多个字符串

Question

我有一个像这样的数据框:

structure(list(mut = c("Q184H/CAA-CAT", "I219V/ATC-GTC", "A314T/GCG-ACG, P373Q/CCG-CAG, A653E/GCG-GAA","0")), row.names = c(NA, -4L), class = c("tbl_df", "tbl", "data.frame"))

我想要做的是在新列中获取“/”之后的所有内容，对于每行中的每个逗号分隔值，无论每行中有多少条目。

我想要的结果是:

    mut                    nt
1   Q184H                  CAA-CAT
2   I219V                  ATC-GTC
3   A314T, P373Q, A653E    GCG-ACG, CCG-CAG, CGC-GAA
4   0                      0

我尝试为此使用正则表达式，但似乎无法匹配以逗号分隔的每个条目。

library(dplyr)
df %>%
    mutate(nt = gsub(".+/(.*?)", "\\1", mut))

如何使每个条目都匹配？我必须将它们分开然后进行匹配吗？

Answer 1

你只需要稍微调整一下你的正则表达式；请注意我如何将您的 . 更改为 [^,]。在正则表达式中，如果将字符放在括号中并在前面加上 ^，则表示匹配除这些字符之外的任何内容。因此 [^,]+ 表示匹配尽可能多的非逗号的连续字符。

df = structure(list(mut = c("Q184H/CAA-CAT", "I219V/ATC-GTC",
                            "A314T/GCG-ACG, P373Q/CCG-CAG, A653E/GCG-GAA","0")),
               row.names = c(NA, -4L), class = c("tbl_df", "tbl", "data.frame"))
library(dplyr)
#> 
#> Attaching package: 'dplyr'
#> The following objects are masked from 'package:stats':
#> 
#>     filter, lag
#> The following objects are masked from 'package:base':
#> 
#>     intersect, setdiff, setequal, union
df %>%
    mutate(nt = gsub("[^,]+?/([^,]+?)", "\\1", mut),
           mut = gsub("([^/]+)/[^,]+", "\\1", mut))
#> # A tibble: 4 x 2
#>   mut                 nt                     
#>   <chr>               <chr>                  
#> 1 Q184H               CAA-CAT                
#> 2 I219V               ATC-GTC                
#> 3 A314T, P373Q, A653E GCG-ACG,CCG-CAG,GCG-GAA
#> 4 0                   0

^{由reprex package于2018年10月10日创建(v0.2.1)}