改变条件后提取子字符串

Question

这是我在这个网站上的第一篇文章。我目前正在努力根据不同的条件从多个字符串中提取子字符串。我正在处理的字符串来自 FASTA 文件，如下所示：

strings <- c("gi|0|gb|MK004980| Bat astrovirus isolate DXRA19 RNA-dependent RNA polymerase gene, partial cds. [DXRA19 (BVI10455)]",
             "gi|225381010|gb|FJ571114| Bat astrovirus Tm/Guangxi/LD61/2007 RNA-dependent RNA polymerase (pol) gene, partial cds. [Tm/Guangxi/LD61/2007 (BVI03388)]")

我现在的目标是删除字符串的第一部分（带有“X|Y|Z|A|”的部分）并仅提取特定序列的名称，因此它应该如下所示：

strings_final <- c("Bat astrovirus isolate DXRA19 RNA-dependent RNA polymerase gene, partial cds. [DXRA19 (BVI10455)]",
             "Bat astrovirus Tm/Guangxi/LD61/2007 RNA-dependent RNA polymerase (pol) gene, partial cds. [Tm/Guangxi/LD61/2007 (BVI03388)]")

如您所见，要删除的第一个部分的长度有所不同，唯一一致的部分是四个“|”以及“gi”和“gb”。我知道我可以使用这个模式来删除它并只提取它后面的部分。然而，我目前正在努力在 R 中编写此代码，因为我不知道使用哪个表达式来适应此模式，例如 stringr::str_extract() 函数。

我非常感谢您的帮助。

我尝试使用 stringr::str_extract() 函数，但我不知道应该使用哪种模式来解决这个问题。

Answer 1

sub(".*\\| *", "", strings)
# [1] "Bat astrovirus isolate DXRA19 RNA-dependent RNA polymerase gene, partial cds. [DXRA19 (BVI10455)]"                          
# [2] "Bat astrovirus Tm/Guangxi/LD61/2007 RNA-dependent RNA polymerase (pol) gene, partial cds. [Tm/Guangxi/LD61/2007 (BVI03388)]"

正则表达式：

• .*

  任何事情（或什么都没有）

• \\|

  文字管道符号，需要对其进行转义，否则它是正则表达式运算符

•  *

  零个或多个空格

这有效地删除了找到的last管道符号以及紧随其后的任何空格（如果有）。

sub

与

gsub

的不同之处在于

sub

只进行一次这样的替换并退出，在这种情况下，这就是我们所需要的。

替代方案（虽然不是我的首选）：也可以使用

read.table

假设所有字符串都具有相同数量的

|

符号：

trimws(read.table(text = strings, sep = "|")[,5])
# [1] "Bat astrovirus isolate DXRA19 RNA-dependent RNA polymerase gene, partial cds. [DXRA19 (BVI10455)]"                          
# [2] "Bat astrovirus Tm/Guangxi/LD61/2007 RNA-dependent RNA polymerase (pol) gene, partial cds. [Tm/Guangxi/LD61/2007 (BVI03388)]"

我们需要

trimws

来删除

|

和

Bat

之间的空格。