R：如何提取向量的兩個字符之間的確切字符

Question

dat1 <- c('human(display_long)|uniprotkb:ESR1(gene name)')
dat2 <- c('human(display_long)|uniprotkb:TP53(gene name)')
dat3 <- c('human(display_long)|uniprotkb:GPX4(gene name)')
dat4 <- c('human(display_long)|uniprotkb:ALOX15(gene name)')
dat5 <- c('human(display_long)|uniprotkb:PGR(gene name)')
dat <- c(dat1,dat2,dat3,dat4,dat5)

如何提取載體 dat 的 'human(display_long)|uniprotkb:' 和 '(gene name)' 之間的基因名稱。謝謝！

Answer 1

您可以使用regexpr和regmatches提取human(display_long)|uniprotkb:和(gene name)之間的文本。

regmatches(dat
 , regexpr("(?<=human\\(display_long\\)\\|uniprotkb:).*(?=\\(gene name\\))"
 , dat, perl=TRUE))
#[1] "ESR1"   "TP53"   "GPX4"   "ALOX15" "PGR"   

其中(?<=human\\\\(display_long\\\\)\\\\|uniprotkb:)是對human(display_long)|uniprotkb:的正面展望，而(?=\\\\(gene name\\\\)是對human(display_long)|uniprotkb:的正面展望(gene name)和.*是中間的文本。

另一種方法是使用sub但如果沒有匹配，這可能會失敗。

sub(".*human\\(display_long\\)\\|uniprotkb:(.*)\\(gene name\\).*", "\\1", dat)
#[1] "ESR1"   "TP53"   "GPX4"   "ALOX15" "PGR"   

其他不搜索完整模式的方法可能是：

regmatches(dat, regexpr("(?<=:)[^(]*", dat, perl=TRUE))
sub(".*:([^(]*).*", "\\1", dat)
sub(".*:(.*)\\(.*", "\\1", dat)

Answer 2

您可以嘗試使用此正則表達式，它將提取'uniprotkb'和'uniprotkb'括號 ( ( ) 之間的文本。

sub('.*uniprotkb:(\\w+)\\(.*', '\\1', dat)
#[1] "ESR1"   "TP53"   "GPX4"   "ALOX15" "PGR"  

Answer 3

使用stringr並查看后面你可以試試這個：

library(stringr)
str_extract(dat, "(?<=:)[A-z0-9]+")
#[1] "ESR1"   "TP53"   "GPX4"   "ALOX15" "PGR"   

假設在基因名稱之前只有一個冒號。

Answer 4

我們可以使用str_remove_all

library(stringr)
str_remove_all(dat, ".*uniprotkb:|\\(.*")
[1] "ESR1"   "TP53"   "GPX4"   "ALOX15" "PGR"   

---

或者使用來自base R trimws

trimws(dat, whitespace = ".*uniprotkb:|\\(.*")
[1] "ESR1"   "TP53"   "GPX4"   "ALOX15" "PGR"