使用不稳定的数据格式拆分 R 中的列

Question

我有一个有 17 列的 R dataframe。 一列包含我将用于与其他数据框合并的唯一标识符。 但是，此列中的某些行包含额外的数据，导致无法合并。 这是我正在查看的不同类型数据的子集。

M2017013708-MN-M02199-180405
M201701492756-MN-M05144-180419
M2016019446_S3_L001
M2016019762

-MN 之后的所有数据都被认为是需要删除的额外数据。 我的目标是在没有额外数据的情况下向 dataframe 添加一个新列。 它看起来像这样：

M2017013708
M201701492756
M2016019446_S3_L001
M2016019762

我试图在 -MN 处拆分数据，该列表创建一个列表，然后使用 ldply 将其放入 dataframe 中。 但是，这会导致错误，因为拆分会导致多个长度的列表，因为并非所有行都有 -MN。

split_my_data <- strsplit(my_data$sample_name, '-MN')
df <- ldply(split_my_data)

我尝试使用带有 sql 和 sqldf 的 case 和正则表达式。 但是，我收到没有这样的 function REGEXP 的错误。

任何帮助将不胜感激。

Answer 1

或者您可以使用Look Beind Regex (?<=)尝试此方法

df <- data.frame(OBS = 1:4, 
                 CODE = c("M2017013708-MN-M02199-180405",
                             "M201701492756-MN-M05144-180419",
                             "M2016019446_S3_L001",
                             "M2016019762"))
df2 <- df %>% 
  mutate(CODE2 = str_replace_all(CODE, regex("(?<=)-MN.*"), ""))
# OBS                           CODE               CODE2
# 1   1   M2017013708-MN-M02199-180405         M2017013708
# 2   2 M201701492756-MN-M05144-180419       M201701492756
# 3   3            M2016019446_S3_L001 M2016019446_S3_L001
# 4   4                    M2016019762         M2016019762

Answer 2

一个简单整洁的解决方案也可以是：

library(dplyr)
library(stringr)

data <- tibble(dirty = c('M2017013708-MN-M02199-180405',
                         'M201701492756-MN-M05144-180419',
                         'M2016019446_S3_L001',
                         'M2016019762'))

data %>%
  mutate(clean = str_remove(dirty, pattern = '-MN.*'))

# A tibble: 4 x 2
  dirty                          clean              
  <chr>                          <chr>              
1 M2017013708-MN-M02199-180405   M2017013708        
2 M201701492756-MN-M05144-180419 M201701492756      
3 M2016019446_S3_L001            M2016019446_S3_L001
4 M2016019762                    M2016019762 

Answer 3

SQLite

关于 SQLite，正则表达式只有在 SQLite 构建时打开正则表达式支持时才可用，但 RSQLite 没有这样做，因此它不可用。

您可以做的是 append -MN-到每个字符串的末尾，以确保始终至少出现一次，然后使用instr搜索它并使用 substring 到该点使用substr ：

library(sqldf)
sqldf("select V1, substr(V1, 1, instr(V1 || '-MN-', '-MN-') - 1) as V2 from DF")

给予：

                              V1                  V2
1   M2017013708-MN-M02199-180405         M2017013708
2 M201701492756-MN-M05144-180419       M201701492756
3            M2016019446_S3_L001 M2016019446_S3_L001
4                    M2016019762         M2016019762

H2

如果我们使用 H2 后端到 sqldf 而不是 SQLite 那么我们可以使用正则表达式。 RH2 package 包括 R 驱动程序和 H2 本身，如果加载了 sqldf 将假定您想使用它而不是 Z497757A9C5B2EC17DED656170B51C788。 加载 RH2 和 sqldf 的顺序无关紧要。

library(RH2)
library(sqldf)

sqldf("select V1, regexp_replace(V1, '-MN-.*', '') as V2 from DF")

笔记

可重现形式的输入是：

DF <- data.frame(V1 = c("M2017013708-MN-M02199-180405",
                        "M201701492756-MN-M05144-180419",
                        "M2016019446_S3_L001",
                        "M2016019762"))