如何检测字符串中特定字符集的位置范围
How to detect range of positions of specific set of characters in a string
我有以下顺序:
my_seq <- "----?????-----?V?D????-------???IL??A?---"
我想做的是检测非虚线字符的位置范围。
----?????-----?V?D????-------???IL??A?---
| | | | | | |
1 5 9 15 22 30 38
最终输出将是一个字符串向量:
out <- c("5-9", "15-22", "30-38")
我如何使用 R 实现这一点?
你可以这样做:
my_seq <- "----?????-----?V?D????-------???IL??A?---"
non_dash <- which(strsplit(my_seq, "")[[1]] != '-')
pos <- non_dash[c(0, diff(non_dash)) != 1 | c(diff(non_dash), 0) != 1]
apply(matrix(pos, ncol = 2, byrow = TRUE), 1, function(x) paste(x, collapse = "-"))
#> [1] "5-9" "15-22" "30-38"
由 reprex package (v2.0.1)
于 2022-02-18 创建
受@lovalery 的精彩回答启发,base R
解决方案是:
g <- gregexpr(pattern = "[^-]+", my_seq)
d <-data.frame(start = unlist(g),
end = unlist(g) + attr(g[[1]], "match.length") - 1)
paste(s$start, s$end, sep ="-")
# [1] "1-5" "11-18" "26-34"
尝试
paste0(gregexec('-\?', my_seq)[[1]][1,] + 1, '-',
gregexec('\?-', my_seq)[[1]][1,])
#> [1] "5-9" "15-22" "30-38"
这是一个 rle + tidyverse 方法:
library(dplyr)
with(rle(strsplit(my_seq, "")[[1]] != "-"),
data.frame(lengths, values)) |>
mutate(end = cumsum(lengths)) |>
mutate(start = 1 + lag(end, 1,0)) |>
mutate(rng = paste(start, end, sep = "-")) |>
filter(values) |>
pull(rng)
[1] "5-9" "15-22" "30-38"
但是,如果您不介意安装 S4Vectors
,代码可以变得非常简洁:
library(S4Vectors)
r <- Rle(strsplit(my_seq, "")[[1]] != "-")
paste(start(r), end(r), sep = "-")[runValue(r)]
[1] "5-9" "15-22" "30-38"
请在下面找到使用 stringr
库的另一种可能的解决方案
Reprex
- 代码
library(stringr)
s <- as.data.frame(str_locate_all(my_seq, "[^-]+")[[1]])
result <- paste(s$start, s$end, sep ="-")
- 输出
result
#> [1] "5-9" "15-22" "30-38"
由 reprex package (v2.0.1)
于 2022-02-18 创建
A one-liner 以 utf8ToInt
为基数 R
apply(matrix(which(diff(c(FALSE, utf8ToInt(my_seq) != 45L, FALSE)) != 0) - 0:1, 2), 2, paste, collapse = "-")
#> [1] "5-9" "15-22" "30-38"
我有以下顺序:
my_seq <- "----?????-----?V?D????-------???IL??A?---"
我想做的是检测非虚线字符的位置范围。
----?????-----?V?D????-------???IL??A?---
| | | | | | |
1 5 9 15 22 30 38
最终输出将是一个字符串向量:
out <- c("5-9", "15-22", "30-38")
我如何使用 R 实现这一点?
你可以这样做:
my_seq <- "----?????-----?V?D????-------???IL??A?---"
non_dash <- which(strsplit(my_seq, "")[[1]] != '-')
pos <- non_dash[c(0, diff(non_dash)) != 1 | c(diff(non_dash), 0) != 1]
apply(matrix(pos, ncol = 2, byrow = TRUE), 1, function(x) paste(x, collapse = "-"))
#> [1] "5-9" "15-22" "30-38"
由 reprex package (v2.0.1)
于 2022-02-18 创建受@lovalery 的精彩回答启发,base R
解决方案是:
g <- gregexpr(pattern = "[^-]+", my_seq)
d <-data.frame(start = unlist(g),
end = unlist(g) + attr(g[[1]], "match.length") - 1)
paste(s$start, s$end, sep ="-")
# [1] "1-5" "11-18" "26-34"
尝试
paste0(gregexec('-\?', my_seq)[[1]][1,] + 1, '-',
gregexec('\?-', my_seq)[[1]][1,])
#> [1] "5-9" "15-22" "30-38"
这是一个 rle + tidyverse 方法:
library(dplyr)
with(rle(strsplit(my_seq, "")[[1]] != "-"),
data.frame(lengths, values)) |>
mutate(end = cumsum(lengths)) |>
mutate(start = 1 + lag(end, 1,0)) |>
mutate(rng = paste(start, end, sep = "-")) |>
filter(values) |>
pull(rng)
[1] "5-9" "15-22" "30-38"
但是,如果您不介意安装 S4Vectors
,代码可以变得非常简洁:
library(S4Vectors)
r <- Rle(strsplit(my_seq, "")[[1]] != "-")
paste(start(r), end(r), sep = "-")[runValue(r)]
[1] "5-9" "15-22" "30-38"
请在下面找到使用 stringr
库的另一种可能的解决方案
Reprex
- 代码
library(stringr)
s <- as.data.frame(str_locate_all(my_seq, "[^-]+")[[1]])
result <- paste(s$start, s$end, sep ="-")
- 输出
result
#> [1] "5-9" "15-22" "30-38"
由 reprex package (v2.0.1)
于 2022-02-18 创建A one-liner 以 utf8ToInt
apply(matrix(which(diff(c(FALSE, utf8ToInt(my_seq) != 45L, FALSE)) != 0) - 0:1, 2), 2, paste, collapse = "-")
#> [1] "5-9" "15-22" "30-38"