从 R 中的分隔字符串中提取模式

Question

我的 ID 字符串由

|

分隔。我想提取以

ENSG

开头的 ID。如果字符串中有多个与此模式匹配的 ID，我只想获取第一个匹配项。

teststring <- c("ENSG00032423", "ENSG00032411234|ENSMUS000124124", "ENSMUS00068967832|ENSG00045345112", "ENSG00032411234|ENSG000865852297",  "ENSMUS00068967832|ENSG00045345112|ENSR00072699324", "ENSMUS00068967832|ENSR000124124124|ENSG00045345112")

gsub(pattern = ".*(ENSG[0-9]+[^|]).*",
     replacement = "\\1",
     x = teststring)

[1] "ENSG00032423"     "ENSG00032411234"  "ENSG00045345112"  "ENSG000865852297" "ENSG00045345112"  "ENSG00045345112"

我尝试使用

gsub

但我使用的正则表达式在多个匹配的情况下仅返回最后一个匹配。

Answer 1

尝试：

teststring <- c(
  "ENSG00032423",
  "ENSG00032411234|ENSMUS000124124",
  "ENSMUS00068967832|ENSG00045345112",
  "ENSG00032411234|ENSG000865852297", 
  "ENSMUS00068967832|ENSG00045345112|ENSR00072699324", 
  "ENSMUS00068967832|ENSR000124124124|ENSG00045345112"
  )

gsub(pattern = "(?:(?!ENSG).)*(ENSG[0-9]+[^|]).*",
     replacement = "\\1",
     perl = TRUE,
     x = teststring)
   

gsub(pattern = ".*?(ENSG[0-9]+[^|]).*",
     replacement = "\\1",
     perl = TRUE,
     x = teststring)

参见：regex101

---

说明

• (?:(?!ENSG).)*

  ：匹配尽可能多的字符，同时确保它不是“ENSG”ID 的开头（https://www.rexegg.com/regex-quantifiers.html#tempered_greed）

或

• .*?

  ：延迟匹配一个字符 (https://www.rexegg.com/regex-quantifiers.html#lazy_solution)

• (ENSG[0-9]+[^|])

  ：匹配并捕获ID

• .*

  ：匹配行的其余部分

Answer 2

你可以使用

gsub(
   pattern = "(?:(?<![^|])|\\|(?=[^|]*$))(?!ENSG)[^|]*\\|?",
   replacement = "",
   x = teststring,
   perl=TRUE
)

查看 R 在线演示 和 regex 演示。