r - 在复制其他列的同时将一个字符串拆分为 R 中的两行或更多行

Question

我的数据框 df 的一行中有一个字符串，它在最后一个下划线之后有数字和字母。这些字母可以是 S T 或 Y，其后出现的数字表示蛋白质中发生磷酸化的位置，并且可以有 1 到 9 组。如果有多个字母并且复制了其他列，我希望该字符串被拆分。例如，

# Define the input strings
string1 <- "A01235_414_429_2_2_Y414T418S687"
string2 <- "C2"
string3 <- "C3"

# Create the dataframe
df <- data.frame(Column1 = string1, Column2 = string2, Column3 = string3)

# Print the dataframe
print(df)


# And the new code should yield; 

print(new_df) 


                 Column1 Column2 Column3
1 A01235_414_429_2_2_Y414       C2       C3
2 A01235_414_429_2_2_T418       C2       C3
3 A01235_414_429_2_2_S687       C2       C3

Answer 1

这是一个 dplyr/tidyr 方法:

library(dplyr)
library(tidyr) # unnest
df %>%
  mutate(
    last = sub(".*_", "", Column1),
    mult = regmatches(last, gregexpr("[TYS][0-9]+", last))
  ) %>%
  unnest(mult) %>%
  mutate(Column1 = paste0(sub("_[^_]*$", "_", Column1), mult)) %>%
  select(-last, -mult)
# # A tibble: 3 × 3
#   Column1                 Column2 Column3
#   <chr>                   <chr>   <chr>  
# 1 A01235_414_429_2_2_Y414 C2      C3     
# 2 A01235_414_429_2_2_T418 C2      C3     
# 3 A01235_414_429_2_2_S687 C2      C3     

使用 tidyr::separate_rows 可能(需要更多的正则表达式和更多的工作)，但由于没有明确的分隔符，我认为它的代码量与以上(如果不是更多)。

regmatches(last, gregexpr(..)) 位对最后一个 _ 之后的子字符串进行操作，并且仅该部分;其目的是提取以 [TYS] 开头且后跟一个或多个数字的任何子字符串。

查看第一个 mutate(.) 之后的结果可能会提供很多信息，注意列表列的内容(不是逗号分隔的字符串列)，然后了解如何按照 unnest 和 mutate 清理数据。

---

编辑:这也适用于一个字符串中的重复字母，如

df <- structure(list(Column1 = c("A01235_414_429_2_2_Y414T418S687", "A2A123_1532_1541_2_2_S1532S1535"), Column2 = c("C2", "C2"), Column3 = c("C3", "C3")), class = "data.frame", row.names = c(NA, -2L))
df
#                           Column1 Column2 Column3
# 1 A01235_414_429_2_2_Y414T418S687      C2      C3
# 2 A2A123_1532_1541_2_2_S1532S1535      C2      C3
df %>%
  mutate(
    last = sub(".*_", "", Column1),
    mult = regmatches(last, gregexpr("[TYS][0-9]+", last))
  ) %>%
  unnest(mult) %>%
  mutate(Column1 = paste0(sub("_[^_]*$", "_", Column1), mult)) %>%
  select(-last, -mult)
# # A tibble: 5 × 3
#   Column1                    Column2 Column3
#   <chr>                      <chr>   <chr>  
# 1 A01235_414_429_2_2_Y414    C2      C3     
# 2 A01235_414_429_2_2_T418    C2      C3     
# 3 A01235_414_429_2_2_S687    C2      C3     
# 4 A2A123_1532_1541_2_2_S1532 C2      C3     
# 5 A2A123_1532_1541_2_2_S1535 C2      C3