r - 通过匹配正则表达式将字符串分解为组件

Question

更新问题

我有这个字符向量

str_ <- "H3K9me0S10ph1K14ac1me0"

我想把它分成几 block ，这样我得到的输出如下:

"H3K9: me0 | S10: ph1 | K14: ac1,me0"

这最好以利用 {dplyr} 的方式完成，这样我就可以对 tibble 执行此操作并获得具有所需字符串输出的新列。有什么想法吗？

正如以下部分所建议的，我正在努力获得一个表格，该表格表示哪些修改与什么配对，例如me0 与 H3K9 一起使用，而 ac1、me0 与 K14 一起使用

任何帮助都会很有帮助!

一些尝试

使用一个稍微不同的例子，

str_ <- "H3K9ac1K14ac1K18ac1me0"

所以我尝试通过提取所有“me[0-9]*”或“ac[0-9]*”等将字符向量分解成多个部分，然后给它们一个对应于它们在字符向量。

# A tibble: 4 x 2
      i m    
  <int> <chr>
1    12 ac1  
2    17 ac1  
3    23 ac1  
4    26 me0 

我需要一种方法来创建一个列 together 来告诉两个修改是否属于同一个蛋白质，即在这个例子中 K14 有 ac1 和 me0，所以它们的“together”值应该是“TRUE” '.我试过使用它们的指数之间的距离作为团结的替代品，但我认为这不是最好的方法:

# A tibble: 4 x 2
      i m     unit_diff  together
  <int> <chr>    <int>     <lgl>
1    12 ac1       0          FALSE
2    17 ac1       5          FALSE
3    23 ac1       6          TRUE
4    26 me0       3          TRUE

有什么想法吗？我试过使用模 3，但这似乎不能一概而论。这甚至是正确的方法吗？我乐于接受建议

Answer 1

使用 diff 创建 'unit_diff' 然后使用 %%

library(dplyr)
df1 %>% 
   mutate(unit_diff = c(0, diff(i)),
    together = unit_diff %% 3 == 0 & unit_diff != 0)

-输出

# A tibble: 4 × 4
      i m     unit_diff together
  <dbl> <chr>     <dbl> <lgl>   
1    12 ac1           0 FALSE   
2    17 ac1           5 FALSE   
3    23 ac1           6 TRUE    
4    26 me0           3 TRUE    

---

如果我们要检查与 n 值相邻的 TRUE，请使用 rleid 或 rle 中的 base R

library(data.table)
n <- 2
df1 %>% 
   mutate(unit_diff = c(0, diff(i)),
    together = unit_diff %% 3 == 0 & unit_diff != 0) %>%
   group_by(grp = rleid(together)) %>%
   mutate(together = all(together) &  n() == n) %>%
   ungroup %>%
   select(-grp)

---

对于第二个更新的问题，我们可以使用正则表达式插入一些分隔符 - 即最初，我们捕获一个或多个不是小写字母的字符 (([^a-z]+)) 并替换为捕获组的反向引用后跟 : (\\1:) ，然后，我们在小写字母后跟数字和大写字母的字符之间插入 |，用 : 删除末尾滞后的 trimws，最后用 : 替换一个或多个小写字母后跟一个或更多数字

gsub("([a-z]+\\d+):", "\\1,",
  trimws(gsub("(?<=[a-z][0-9])(?=[A-Z])", " | ", 
 gsub("([^a-z]+)", "\\1: ", str_), perl = TRUE), whitespace = ":\\s+"))
[1] "H3K9: me0 | S10: ph1 | K14: ac1, me0"

数据

df1 <- structure(list(i = c(12, 17, 23, 26), m = c("ac1", "ac1", "ac1", 
"me0")), class = c("tbl_df", "tbl", "data.frame"), 
row.names = c(NA, 
-4L))