通过计算特定字符来设置字符串

Question

我有以下字符串:

strings <- c("ABBSDGNHNGA", "AABSDGDRY", "AGNAFG", "GGGDSRTYHG") 

我想切断字符串,一旦A,G和N的出现次数达到一定值,比如说3.在这种情况下,结果应该是:

some_function(strings)

c("ABBSDGN", "AABSDG", "AGN", "GGG") 

我试图用stringi,stringr和正则表达式的表达式,但我无法弄清楚.

Answer 1

这是一个使用的基本R选项 strsplit

sapply(strsplit(strings, ""), function(x)
    paste(x[1:which.max(cumsum(x %in% c("A", "G", "N")) == 3)], collapse = ""))
#[1] "ABBSDGN" "AABSDG"  "AGN"     "GGG"

或者在 tidyverse

library(tidyverse)
map_chr(str_split(strings, ""), 
    ~str_c(.x[1:which.max(cumsum(.x %in% c("A", "G", "N")) == 3)], collapse = ""))

Answer 2

您可以通过str_extract对stringr包的简单调用来完成您的任务:

library(stringr)

strings <- c("ABBSDGNHNGA", "AABSDGDRY", "AGNAFG", "GGGDSRTYHG")

str_extract(strings, '([^AGN]*[AGN]){3}')
# [1] "ABBSDGN" "AABSDG"  "AGN"     "GGG"

[^AGN]*[AGN]正则表达式模式的部分表示要查找零个或多个不是A,G或N的连续字符,然后是A,G或N的一个实例.带括号和括号的附加包装(如下所示([^AGN]*[AGN]){3})表示对于那种模式连续三次.您可以通过更改花括号中的整数来更改要查找的A,G,N的出现次数:

str_extract(strings, '([^AGN]*[AGN]){4}')
# [1] "ABBSDGNHN"  NA           "AGNA"       "GGGDSRTYHG"

使用基本R函数可以通过几种方法完成任务.一个是使用regexpr后跟regmatches:

m <- regexpr('([^AGN]*[AGN]){3}', strings)
regmatches(strings, m)
# [1] "ABBSDGN" "AABSDG"  "AGN"     "GGG"

或者,您可以使用sub:

sub('(([^AGN]*[AGN]){3}).*', '\\1', strings)
# [1] "ABBSDGN" "AABSDG"  "AGN"     "GGG"

Answer 3

识别模式的位置,gregexpr然后使用提取第n个位置(3)并将所有内容从1第n个位置到第n个位置subset.

nChars <- 3
pattern <- "A|G|N"
# Using sapply to iterate over strings vector
sapply(strings, function(x) substr(x, 1, gregexpr(pattern, x)[[1]][nChars]))

PS:

如果有一个没有3个匹配项的字符串,它将生成NA,所以你只需要na.omit在最终结果上使用它.