r - 将字符串数组转换为R中的数据帧

Question

假设我有一个字符串数组，例如：

sa<-c("HLA:HLA00001 A*01:01:01:01 1098 bp",
      "HLA:HLA01244 A*01:01:02 546 bp",
      "HLA:HLA01971 A*01:01:03 895 bp")

我的问题是将其转换为如下数据帧的最佳方法是什么：

  Seq          Type             Length
1 HLA:HLA00001 A*01:01:01:01    1098 bp
2 HLA:HLA01244 A*01:01:02       546 bp
3 HLA:HLA01971 A*01:01:03       895 bp

Answer 1

使用‹dplyr›和‹tidyr›包，这很简单：


将数据放入data_frame，
separate列：

data_frame(sa) %>%
    separate(sa, c('Seq', 'Type', 'Length'), sep = ' ', extra = 'drop', convert = TRUE)

Source: local data frame [3 x 3]

           Seq          Type Length
         (chr)         (chr)  (int)
1 HLA:HLA00001 A*01:01:01:01   1098
2 HLA:HLA01244    A*01:01:02    546
3 HLA:HLA01971    A*01:01:03    895

这（有意地）从最后一列删除了单位，该单位现在是多余的（因为它将始终是相同的），并将其转换为整数。如果要保留它，请改用 extra = 'merge'。

您可以通过应用另一个‹tidyr›函数来进一步分隔 Type列，该函数与 separate非常相似，但是指定要匹配的部分： extract。此功能允许您提供 regular expression（如果您还不知道的话，必须学习的工具！），它指定要匹配的文本部分。这些部分在括号中：

'(A\\*\\d{2}:\\d{2}):(.*)'

这意味着：提取两个组—第一个组包含字符串“ A*”，后跟两个数字“ :”和另外两个数字。第二组包含所有其余文本，在单独的“ :”之后（我希望我已正确捕获了HLA等位基因的规范，但我从未使用过此类数据）。

与上面的代码放在一起：

data_frame(sa) %>%
    separate(sa, c('Seq', 'Type', 'Length'), sep = ' ', extra = 'drop', convert = TRUE) %>%
    extract(Type, c('Group', 'Allele'), regex = '(A\\*\\d{2}:\\d{2}):(.*)')

Source: local data frame [3 x 4]

           Seq   Group Allele Length
         (chr)   (chr)  (chr)  (int)
1 HLA:HLA00001 A*01:01  01:01   1098
2 HLA:HLA01244 A*01:01     02    546
3 HLA:HLA01971 A*01:01     03    895