使用正則表達式從R中的數據框列中提取子字符串

Question

我對R相當陌生，所以如果這是一個愚蠢的問題，請對我輕松一點。

我有一個名為foo的數據框：

< head(foo)
  Old.Clone.Name New.Clone.Name                                  File
1         A          Aa           A_mask_MF_final_IS2_SAEE7-1_02.nrrd
2         B          Bb   B_mask_MF_final_IS2ViaIS2h_SADQ15-1_02.nrrd
3         C          Cc   C_mask_MF_final_IS2ViaIS2h_SAEC16-1_02.nrrd
4         D          Dd    D_mask_MF_final_IS2ViaIS2h_SAEJ6-1_02.nrrd
5         E          Ee           F_mask_MF_final_IS2_SAED9-1_02.nrrd
6         F          Ff    F_mask_MF_final_IS2ViaIS2h_SAGP3-1_02.nrrd

我想從“ File列中提取與正則表達式(S[AZ]{3}[0-9]{1,2}-[0-9]_02)相匹配的代碼，以便給我：

SAEE7-1_02
SADQ15-1_02
SAEC16-1_02
SAEJ6-1_02
SAED9-1_02
SAGP3-1_02

然后，我想使用這些代碼在另一個目錄中搜索包含相同代碼的其他文件。

但是，我首先遇到了困難，無法從數據幀的該列中提取代碼。

我努力了：

library('stringr')
str_extract(foo[3],regex("(S[A-Z]{3}[0-9]{1,2}-[0-9]_02)", ignore_case = TRUE))

但這只返回[1] NA 。

我只是缺少明顯的東西嗎？ 我期待在社區的幫助下破解此問題。

Answer 1

您好，如果您將數據作為表文件讀取，則foo[3]是一個列表，而str_extract不接受列表，僅接受字符串，那么您應該使用lapply提取每個元素的匹配項。

lapply(foo[3], function(x) str_extract(x, "[sS][a-zA-Z]{3}[0-9]{1,2}-[0-9]_02"))

結果：

[1] "SAEE7-1_02"  "SADQ15-1_02" "SAEC16-1_02" "SAEJ6-1_02"  "SAED9-1_02"
[6] "SAGP3-1_02"

Answer 2

str_extract(foo[3],"(?i)S[A-Z]{3}[0-9]{1,2}-[0-9]_02")

似乎有效。 不知何故，我的R給了我

“ check_pattern（pattern，string）中的錯誤：找不到函數“ regex””

使用原始表達時。

Answer 3

以下代碼將重復您的要求（只需復制並粘貼到R控制台中 ）：

library(stringr)
foo = scan(what='')
Old.Clone.Name New.Clone.Name File
A Aa A_mask_MF_final_IS2_SAEE7-1_02.nrrd
B Bb B_mask_MF_final_IS2ViaIS2h_SADQ15-1_02.nrrd
C Cc C_mask_MF_final_IS2ViaIS2h_SAEC16-1_02.nrrd
D Dd D_mask_MF_final_IS2ViaIS2h_SAEJ6-1_02.nrrd
E Ee F_mask_MF_final_IS2_SAED9-1_02.nrrd
F Ff F_mask_MF_final_IS2ViaIS2h_SAGP3-1_02.nrrd


foo = matrix(foo,ncol=3,byrow=T)
colnames(foo)=foo[1,]
foo = foo[-1,]
foo
str_extract(foo[,3],regex("(S[A-Z]{3}[0-9]{1,2}-[0-9]_02)", ignore_case = T))

您得到NULL的原因是隱藏的：R按列存儲條目，因此foo[3]是foo矩陣/數據幀的第3行和第1列。 要引用第三列，您可能需要使用foo[,3] 。 或foo<-data.frame(foo); foo[[3]] foo<-data.frame(foo); foo[[3]] 。