用R提取字符串中间的字符串

Question

我有看起来像这样的字符串：

a <- c("miRNA__hsa-mir-521-3p.iso.t5:", "miRNA__hsa-mir-947b.ref.t5:")

我只想提取中间部分，例如。 hsa-mir-521-3p和hsa-mir-947b

到目前为止，我已经尝试了以下方法：

a1 <- substr(a, 8,21) 
[1] "hsa-mir-521-3p" "hsa-mir-947b.r"  

这显然不起作用，因为我想要的子字符串长度不同

a2 <- sub('miRNA__', '', a)
[1] "hsa-mir-521-3p.iso.t5:" "hsa-mir-947b.ref.t5:"  

这可以删除上游字符串（ “miRNA__” ），但我仍然需要删除下游字符串

有人可以建议我还可以尝试什么，或者是否有更简单的方法来实现这一目标？ 我还在学习如何用 R 编码。非常感谢！

Answer 1

您还没有明确定义“中间部分”，但根据共享的数据，我们可以提取最后一个下划线 ( "_" ) 和点 ( "." ) 之间的所有内容。

sub('.*_(.*?)\\..*', '\\1', a)
#[1] "hsa-mir-521-3p" "hsa-mir-947b"  

Answer 2

您可以尝试下面的正则表达式

> gsub(".*_|\\..*","",a)
[1] "hsa-mir-521-3p" "hsa-mir-947b" 

它删除了最左边的 ( .*_ ) 和最右边的 ( \\\\..* ) 部分，因此保留了中间部分。

Answer 3

我们也可以使用来自base R trimws

trimws(a, whitespace = '.*_|\\..*')
#[1] "hsa-mir-521-3p" "hsa-mir-947b"