提取与模式匹配的特定单词

Question

我有一个包含一列的数据框：

nf1$Info = AC=1;AF=0.500;AN=2;BaseQRankSum=-1.026e+00;ClippingRankSum=-1.026e+00;DP=4;ExcessHet=3.0103;FS=0.000;MLEAC=1;MLEAF=0.500;MQ=28.25;MQRankSum=-1.026e+00;QD=10.18;ReadPosRankSum=1.03;SOR=0.693

我正在尝试从此列中提取特定值。

例如我对 "MQRankSum" 感兴趣并且我使用了：

str_extract(nf1$Info,"[MQRankSum]+=[:punct:]+[0-9]+[.]+[0-9]+")

returns BaseQRankSum 的值而不是 MQRankSum.

Answer 1

将字符包含在方括号中会创建一个匹配任何已定义字符的字符 class，因此 [yes]+ 匹配 yyyyyyyyy、eyyyyss 等

你想要做的是匹配一个词 MQRankSum, =, 然后是除 ;:

之外的任何字符

str_extract(nf1$Info,"MQRankSum=[^;]+")

如果您想从匹配中排除 MQRankSum=，请使用回顾：

str_extract(nf1$Info,"(?<=MQRankSum=)[^;]+")
                      ^^^^^^^^^^^^^^^

(?<=MQRankSum=) 正后视将确保紧邻当前位置左侧的 MQRankSum= 文本，并且只有在那之后才会匹配 ; 以外的 1 个或多个字符.

Answer 2

我们可以将 INFO 列拆分为多个列，然后提取所需的列：

# dummy data
df1 <- data.frame(x = 1:3,
                  info = c("AC=1;AF=0.500;MQRankSum=2;BaseQRankSum=-1.026e+00;ClippingRankSum=-1.026e+00;",
                           "AC=1;AF=0.500;MQRankSum=2;ClippingRankSum=-1.026e+00;DP=4;",
                           "AN=2;BaseQRankSum=-1.026e+00;"),
                  stringsAsFactors = FALSE)

# split INFO into seperate columns
df1_info <- data.table::rbindlist(
  lapply(strsplit(df1$info, ";|="), function(i)
    setNames(data.frame(t(as.numeric(i[ c(FALSE, TRUE) ]))), i[ c(TRUE, FALSE) ])
    ),
  fill = TRUE)

df1_info
#    AC  AF MQRankSum BaseQRankSum ClippingRankSum DP AN
# 1:  1 0.5         2       -1.026          -1.026 NA NA
# 2:  1 0.5         2           NA          -1.026  4 NA
# 3: NA  NA        NA       -1.026              NA NA  2

# extract required column 
df1_info$BaseQRankSum
# [1] -1.026     NA -1.026

VCF 信息 standard:

Various site-level annotations. The annotations contained in the INFO field are represented as tag-value pairs, where the tag and value are separated by an equal sign, ie =, and pairs are separated by colons, ie ; as in this example:
MQ=99.00;MQ0=0;QD=17.94.

提取与模式匹配的特定单词

Extract specific word matching the pattern

regex

r

bioinformatics

stringr

vcf-variant-call-format