r - 如何在R中字符串中的某个位置后添加双引号

Question

我有一个 data.table，其中包含许多行，在 R 中如下所示:

    V1        V2       V3    V4   V5  V6  V7  V8   V9           V10
 NCBINCC    GenBank   gene  331 1008  .   -   .   gene_id=UL1   protein_id=ABV71500.1
 NCBINCC    GenBank   gene  1009 1120  .  -   .  gene_id=UL4   protein_id=ABV71520
 NCBINCC    GenBank   gene  1135 1200  .  -   .  gene_id=UL6   protein_id=ABV71525

是否有一种简单的方法可以在字符串之间(在字符串gene_id=和 Protein_id=之后)添加引号，以便它们仅包含不同的基因和蛋白质，如以下输出:

    V1        V2       V3    V4   V5  V6  V7  V8   V9            V10
 NCBINCC    GenBank   gene  331 1008  .   -   .   gene_id="UL1"  protein_id="ABV71500.1"
 NCBINCC    GenBank   gene  1009 1120 .   -   .  gene_id="UL4"  protein_id="ABV71520"
 NCBINCC    GenBank   gene  1135 1200 .   -   .  gene_id="UL6"  protein_id="ABV71525"

我见过this answer对于 shell，但想知道是否有办法在 R 中也能做到这一点。谢谢您。

Answer 1

我们可以将 str_replace 与正则表达式查找一起使用来匹配 =，捕获包括 . 在内的字母数字字符并替换为反向引用( \\1) 引用

library(stringr)
library(dplyr)
df1 <- df1 %>%
     mutate(across(c(V9, V10), 
        ~ str_replace(., "(?<=\\=)([[:alnum:].]+)", '"\\1"')))

-输出

df1
#  V1      V2   V3   V4   V5 V6 V7 V8            V9                     V10
#1 NCBINCC GenBank gene  331 1008  .  -  . gene_id="UL1" protein_id="ABV71500.1"
#2 NCBINCC GenBank gene 1009 1120  .  -  . gene_id="UL4"   protein_id="ABV71520"
#3 NCBINCC GenBank gene 1135 1200  .  -  . gene_id="UL6"   protein_id="ABV71525"

---

忘记使用base R使用相应的选项

nm1 <- c("V9", "V10")
df1[nm1] <- lapply(df1[nm1], function(x) 
     sub("(?<=\\=)([[:alnum:].]+)", '"\\1"', x, perl = TRUE))

数据

df1 <- structure(list(V1 = c("NCBINCC", "NCBINCC", "NCBINCC"), V2 = c("GenBank", 
"GenBank", "GenBank"), V3 = c("gene", "gene", "gene"), V4 = c(331L, 
1009L, 1135L), V5 = c(1008L, 1120L, 1200L), V6 = c(".", ".", 
"."), V7 = c("-", "-", "-"), V8 = c(".", ".", "."), V9 = c("gene_id=UL1", 
"gene_id=UL4", "gene_id=UL6"), V10 = c("protein_id=ABV71500.1", 
"protein_id=ABV71520", "protein_id=ABV71525")), class = "data.frame",
row.names = c(NA, 
-3L))