将一个字符串拆分成R中的两行或多行，同时复制其他列

发布于12月29日

我的dataframe df的一行中有一个字符串，最后一个下划线后面有数字和字母.这些字母可以是S的T或Y，后面的数字表示蛋白质中发生磷酸化的位置，可以有1到9组.如果有多个字母并且复制了其他列，我希望拆分该字符串.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

推荐答案

下面是一个dplyr/tidyr的方法:

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是可能的(需要更多的正则表达式和更多的工作)，但是由于没有明确的定义，我认为它的代码量与上面的代码量大致相同(如果不是更多的话).

regmatches(last, gregexpr(..))位在最后_位之后的子串上操作，only位在那部分上操作；它的目的是提取任何以[TYS]开头、后面跟一个或多个数字的子串.

查看前mutate(.)个之后的结果，注意List-Column是什么(不是逗号分隔的字符串列)，然后了解下面的unnest和mutate是如何清理数据的，这可能是有意义的.

Edit: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