【答果子问】R语言如何用正则表达式提取特定的字符串
这个帖子是为了果子的一个提问
R语言能不能实现匹配括号里面的内容, 但是不包括括号
这个问题来自于他的一篇帖子有些GEO平台的探针转换比较麻烦, 里面提取字符串的代码不够简洁。
果子在原帖里面引用我的一句话,”正则表达式是我们认识这个世界的哲学”.既然我说了这句话，那么我就得贯彻我的哲学理念，在R里面用正则表达式把数据给提取了。
首先在https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL4381把对应的数据给下载了
然后用data.table的fread进行高效智能的读取数据
GPL4381 <- data.table::fread("GPL4381-4306.txt")正则表达式的核心在于观察数据，提取模式，这也就是我说”正则表达式是我们认识这个世界的哲学”的原因，因为我们就是通过不断观察世界研究规律指导生活。
从上图中你发现了什么，是不是都是”xxxx(基因名),xxx”这种情况。
于是我们就可以通过R语言的regexpr提取上面基因名的位置信息了
pattern <- ".*\\((?<ID>[A-Za-z0-9]*)\\),.*"
result <- regexpr(pattern= pattern, text = GPL4381$GB_DEFINITION, perl=TRUE)仔细观察下我的写的模式识别，pattern <- ".*\\((?<ID>[A-Za-z0-9]*)\\),.*", 你会发现我用到一个你未必见过的模式，(?<>)，这是Perl 的正则表示系统里的模式，所以必须用perl=TRUE才能被R解读。它的作用就是把括号里面的模式单独分组。
regexpr会返回匹配的内容的起始位置，匹配长度。如果匹配, 位置为”-1”
start <- attr(result,"capture.start")
length <- attr(result,"capture.length")
name <- attr(result,"capture.name")之后，我们可以用substr根据位置信息进行提取。
geneID <- ifelse(start > 0,
substr(GPL4381$GB_DEFINITION, start[,name],start[,name] + length[,name]-1),NA)最终你查看geneID的前10个的时候，你会发现就是你想要的
head(geneID,n=10)当然如果你用stringr, 那代码其实更加简洁一些
res <- stringr::str_match(string = GPL4381$GB_DEFINITION, pattern = pattern)
geneID <- res[,2]
head(geneID)说下核心知识点:
regexpr可以返回匹配的起始位置和匹配长度，返回-1表示没有匹配(?<组名>匹配模式): 对匹配内容进行分组, 在perl=TRUE下使用。
题外话
R语言处理字符并非强项，当然有人激进地认为R甚至还不算是一门编程语言，所以如果要处理字符，更好的建议是用其他编程语言，如Perl, Python. 但是如果你只能用R语言的话，那么这里有几条建议
- 学习stringr里面的函数，因为相对于R原生不知所云的函数命名,例如regexpr, stringr的函数更加目的明确， 地址为: https://r4ds.had.co.nz/strings.html
- 学习正则表达式。正则表达式(regular expression) 本质上是用一组符号来描述你的目标字符串, 但是由于各种原因，出现了许多流派。在使用正则表达式之前，你要明确你能用哪些元字符。不过还是推荐你看 https://r4ds.had.co.nz/strings.html 学stringr
- 最后一条，马上给我去看 https://r4ds.had.co.nz/strings.html
还有，如果你怕自己一下子背不住那么多元字符，那么你可以 点开这个链接， https://github.com/rstudio/cheatsheets/blob/master/strings.pdf 下载PDF进行打印，每天看一遍。