R正则表达式：grep不包括连字符/破折号作为边界

Question

我试图在一个带有变量字符串的向量中匹配一个确切的单词。 为此，我使用边界。 但是，我想连字符/破折号不被视为单词边界。 这是一个例子：

vector<-c(    
"ARNT",
"ACF, ASP, ACF64",
"BID",
"KTN1, KTN",
"NCRNA00181, A1BGAS, A1BG-AS",
"KTN1-AS1")

要匹配包含“KTN1”的字符串，我正在使用：

grep("(?i)(?=.*\\bKTN1\\b)", vector, perl=T) 

但这匹配“KTN1”和“KTN1-AS1”。

有没有办法可以将短划线视为一个角色，以便“KTN1-AS1”被认为是一个完整的单词？

Answer 1

要匹配vector元素中的特定单词，需要使用regmatches ， str_extract_all （来自stringr包）等函数而不是grep，因为grep只返回找到匹配项的元素索引。

> vector<-c(    
+     "ARNT",
+     "ACF, ASP, ACF64",
+     "BID",
+     "KTN1, KTN",
+     "NCRNA00181, A1BGAS, A1BG-AS",
+     "KTN1-AS1")
> regmatches(vector, regexpr("(?i)\\bKTN1[-\\w]*\\b", vector, perl=T))
[1] "KTN1"     "KTN1-AS1"

要么

> library(stringr)
> unlist(str_extract_all(vector[grep("(?i)\\bKTN1[-\\w]*\\b", vector)], perl("(?i).*\\bKTN1[-\\w]*\\b")))
[1] "KTN1"     "KTN1-AS1"

更新：

> grep("\\bKTN1(?=$|,)", vector, perl=T, value=T)
[1] "KTN1, KTN"

返回包含字符串KTN1后跟逗号或行尾的元素。

要么

> grep("\\bKTN1\\b(?!-)", vector, perl=T, value=T)
[1] "KTN1, KTN"

返回包含字符串KTN1后面没有连字符的元素。

Answer 2

我会保持这个简单并创建一个DIY边界。

grep('(^|[^-\\w])KTN1([^-\\w]|$)', vector, ignore.case = TRUE)

我们使用捕获组来定义边界。 我们匹配一个不是连字符或单词字符的字符 - 字符串的开头或结尾，它更接近\\b边界的意图。