将长字符串列表拆分为逗号分隔的向量，然后转换为 df 行

Question

我已经收集到这个问题有些常见，但我遇到了一些我似乎无法找到答案的障碍。

我有一个很长的字符串：

line1 = "GGCTTATTTAACGGGCAGATATACGCTGGGCAAATC..."

我希望它看起来像：

line1 = c("G", "G", "C", ...)

（顺便说一句，是否可以将上述字母作为整数 - 当我尝试使用 function as.integer 时，它会将其全部转换为 NA？）

我试过： strsplit(line1, "")

这会产生一个列表： 'G''G''C'...

为了解决这个问题，我尝试过： paste(line1, collapse = ", ")

哪种作品： c(\"G\", \"G\", \"C"...)

当我尝试使用gsub删除“\”时，它并没有这样做，因为它突然将脚本中的所有内容都注册为引号。

此外，一旦完成，我想将其塑造成 dataframe 的一行或一列，如下所示：

   [1] [2] [3] ...
[1] G   G   C

或者：

   [1]
[1] G
[2] G
[3] C

Answer 1

拆分 unlist 结果后，将其转换为因子，然后转换为数字：

fac <- factor(unlist(strsplit(line1, "")))
as.numeric(fac)
## [1] 5 5 4 6 6 3 6 6 6 3 3 4 5 5 5 4 3 5 3 6 3 6 3 4 5 4 6 5 5 5 4 3 3 3 6 4 1 2 2 2

# this gives the correspondence between numbers and characters
# i.e. space is 1, dot is 2, A is 3, C is 4, G is 5 and T is 6
levels(fac)
## [1] " " "." "A" "C" "G" "T"

也可以使用levels= 参数显式指定级别，在这种情况下，其他字符将为NA，并且可以选择使用na.omit(...) 消除。

fac <- factor(unlist(strsplit(line1, "")), levels = c("A", "C", "G", "T"))
as.numeric(fac)
## [1]  3  3  2  4  4  1  4  4  4  1  1  2  3  3  3  2  1  3  1  4  1  4  1  2  3  2  4  3  3  3  2  1  1  1  4  2 NA NA NA NA

笔记

问题中的输入如下。 可能最后 4 个字符不打算成为数据的一部分，但如果是这样，那么它应该是这样写的，这样其他人就不必编辑它了。 无论如何，上面的代码应该可以工作。

line1 = "GGCTTATTTAACGGGCAGATATACGCTGGGCAAATC ..." 

Answer 2

要将该列表转换为字符向量，您只需 go：

x <- strsplit(line1, "")
x <- x[[1]]

要使其成为 df 的列，您可以使用 go：

x <- as.data.frame(x)

或者直接从第一行开始：

x <- as.data.frame(strsplit(line1, ""))

这会给它一个丑陋的列 header 你可以用它来修复

names(x)[1] <- 'whatever'

或者直接在一次通话中再次：

x <- as.data.frame(strsplit(line1, ""), col.names = 'whatever')

Answer 3

该问题似乎要求 dput 的dput但这很少需要。

x <- strsplit(line1, "")[[1]]
dput(x)
#c("G", "G", "C", "T", "T", "A", "T", "T", "T", "A", "A", "C", 
#"G", "G", "G", "C", "A", "G", "A", "T", "A", "T", "A", "C", "G", 
#"C", "T", "G", "G", "G", "C", "A", "A", "A", "T", "C")

---

至于如何从字符串中获取整数的问题，这里有一种方法。 output 是原始line1字符串中字母的 ASCII 码。

charToRaw(line1)
# [1] 47 47 43 54 54 41 54 54 54 41 41 43 47 47 47 43 41 47 41 54 41 54 41
#[24] 43 47 43 54 47 47 47 43 41 41 41 54 43

---

数据

line1 <- "GGCTTATTTAACGGGCAGATATACGCTGGGCAAATC"