如何删除R中第n个分隔符后的所有内容？

Question

我有这个载体myvec.我希望在第二个':'之后删除所有内容并获得结果.如何在第n个':'之后删除字符串？

myvec<- c("chr2:213403244:213403244:G:T:snp","chr7:55240586:55240586:T:G:snp" ,"chr7:55241607:55241607:C:G:snp")

result
chr2:213403244   
chr7:55240586
chr7:55241607

Answer 1

以下是一些替代方案.我们删除第k个冒号及其后的所有内容.问题中的例子对应于k = 2.在下面的例子中,我们使用k = 3.

1)read.table将数据读入data.frame,挑选出所需的列并将其重新粘贴在一起:

k <- 3 # keep first 3 fields only
do.call(paste, c(read.table(text = myvec, sep = ":")[1:k], sep = ":"))

赠送:

[1] "chr2:213403244:213403244" "chr7:55240586:55240586"  
[3] "chr7:55241607:55241607"  

2)sprintf/sub构造适当的正则表达式(在下面的k等于3的情况下^((.*?:){2}.*?):.*)并使用它sub:

k <- 3
sub(sprintf("^((.*?:){%d}.*?):.*", k-1), "\\1", myvec)

赠送:

[1] "chr2:213403244:213403244" "chr7:55240586:55240586"  
[3] "chr7:55241607:55241607"  

注1:对于k = 1,这可以进一步简化为sub(":.*", "", myvec),对于k = n-1,可以进一步简化为sub(":[^:]*$", "", myvec)

注2:这是一个k等于3 的常规正则表达式的可视化:

^((.*?:){2}.*?):.*

Debuggex演示

3)迭代删除最后一个字段我们可以n-k使用上面注1中的最后一个正则表达式删除最后一个字段时间,如下所示:

n <- 6 # number of fields
k < - 3 # number of fields to retain
out <- myvec
for(i in seq_len(n-k)) out <- sub(":[^:]*$", "", out)

如果我们想自动设置n,我们可以选择用以下方法替换上面的硬编码线路设置:

n <- count.fields(textConnection(myvec[1]), sep = ":")

4)定位第k个冒号的位置使用定位冒号gregexpr的位置,然后从中提取第k个的位置,因为我们不想要尾随冒号.用于substr从相应的字符串中提取许多字符.

k <- 3
substr(myvec, 1, sapply(gregexpr(":", myvec), "[", k) - 1)

赠送:

[1] "chr2:213403244:213403244" "chr7:55240586:55240586"  
[3] "chr7:55241607:55241607"  

注3:假设有n个字段.问题要求删除第k个分隔符后的所有内容,以便解决方案适用于k = 1,2,...,n-1.它不需要用于k = n,因为没有n个分隔符; 但是,如果我们将k定义为要返回的字段数,那么k = n是有意义的,事实上,(1)和(3)也适用于那种情况.(2)和(4)不适用于此扩展,但我们可以通过使用paste0(myvec, ":")输入代替而轻松地使它们工作myvec.

注4:我们比较性能:

library(rbenchmark)
benchmark(
 .read.table = do.call(paste, c(read.table(text = myvec, sep = ":")[1:k], sep = ":")),
 .sprintf.sub = sub(sprintf("^((.*?:){%d}.*?):.*", k-1), "\\1", myvec),
 .for = { out <- myvec; for(i in seq_len(n-k)) out <- sub(":[^:]*$", "", out)},
 .gregexpr = substr(myvec, 1, sapply(gregexpr(":", myvec), "[", k) - 1),
  order = "elapsed", replications = 1000)[1:4]

赠送:

          test replications elapsed relative
2 .sprintf.sub         1000    0.11    1.000
4    .gregexpr         1000    0.14    1.273
3         .for         1000    0.15    1.364
1  .read.table         1000    2.16   19.636

使用sprintf和sub的解决方案是最快的,尽管它使用复杂的正则表达式,而其他使用更简单或没有正则表达式,并且可能因简单而优选.

添加添加了其他解决方案和附加说明.

Answer 2

我们可以使用sub。我们匹配一个或多个不是:从字符串（^([^:]+）开头的:字符，然后是a ，再匹配一个不是a :（[^:]+）的字符，将其放在捕获组中，即括号内。我们用替换中的捕获组（\\1）替换。

sub('^([^:]+:[^:]+).*', '\\1', myvec)
#[1] "chr2:213403244" "chr7:55240586"  "chr7:55241607" 

上面的作品以示例为例。对于一般情况，要在第n个定界符之后删除，

n <- 2
pat <- paste0('^([^:]+(?::[^:]+){',n-1,'}).*')
sub(pat, '\\1', myvec)
#[1] "chr2:213403244" "chr7:55240586"  "chr7:55241607" 

用不同的“ n”检查

n <- 3

并重复相同的步骤

sub(pat, '\\1', myvec)
#[1] "chr2:213403244:213403244" "chr7:55240586:55240586"  
#[3] "chr7:55241607:55241607"  

或另一个选择是将n个组件分开:，然后再将它们分开paste。

n <- 2
vapply(strsplit(myvec, ':'), function(x)
            paste(x[seq.int(n)], collapse=':'), character(1L))
#[1] "chr2:213403244" "chr7:55240586"  "chr7:55241607"