r - 提取两个字母之间的字符串并在 R dplyr 中创建一个新列

Question

我有一个看起来像这样的 data.frame

library(tidyverse)
df1 <- tibble(genes=c("AT1G02205","AT1G02160","AT5G02160", "ATCG02160"))
df1
#> # A tibble: 4 × 1
#>   genes    
#>   <chr>    
#> 1 AT1G02205
#> 2 AT1G02160
#> 3 AT5G02160
#> 4 ATCG02160

^{创建于 2022-10-19 reprex v2.0.2}

我想提取字母 A 和 T 之间的任何内容并创建一个新列，这样我的 new.df 看起来像

#>   genes         chr
#>   <chr>    
#> 1 AT1G02205     Chr1
#> 2 AT1G02160     Chr1
#> 3 AT5G02160     Chr5
#> 4 ATCG02160     ChrC

到目前为止，我找到了一种令人讨厌的方法来执行此操作，但我确信我可以做得更好。

``` r
library(tidyverse)
df1 <- tibble(genes=c("AT1G02205","AT1G02160","AT5G02160", "ATCG02160"))

new.df <-  df1 |> 
  mutate(chr=str_extract(genes, "T(.*?)G"))  |> 
  mutate(chr=str_replace_all(chr, c("T"="", "G"=""))) |> 
  mutate(chr=paste0("Chr",chr))
new.df
#> # A tibble: 4 × 2
#>   genes     chr  
#>   <chr>     <chr>
#> 1 AT1G02205 Chr1 
#> 2 AT1G02160 Chr1 
#> 3 AT5G02160 Chr5 
#> 4 ATCG02160 ChrC

^{创建于 2022-10-19 reprex v2.0.2}

Answer 1

你可以使用str_match:

library(stringr)
library(dplyr)
df1 %>% 
  mutate(chr = str_c("Chr", str_match(genes, "T(.*)G")[, 2]))

#   genes     chr  
# 1 AT1G02205 Chr1 
# 2 AT1G02160 Chr1 
# 3 AT5G02160 Chr5 
# 4 ATCG02160 ChrC

或者在带有 gsub 的 base R 中:

df1 |>
  transform(chr = paste0("Chr", gsub(".*T(.*)G.*", '\\1', genes)))