过滤行时的子字符串匹配

Question

我在 file1 中的字符串与 file2 中的部分字符串相匹配。我想过滤掉 file2 中与 file1 中部分匹配的字符串。请看我的尝试。不确定如何以这种方式定义子字符串匹配。

文件 1:

V1
species1
species121
species14341

文件 2

V1
genus1|species1|strain1
genus1|species121|strain1
genus1|species1442|strain1
genus1|species4242|strain1
genus1|species4131|strain1

我的尝试：

file1[!file1$V1 %in% file2$V1]

Answer 1

你不能在R中以这种方式使用%in%运算符。它用于确定一个向量的元素是否在另一个向量中，不像in在Python中可用于匹配子字符串：看这个：

"species1" %in% "genus1|species1|strain1" # FALSE
"species1" %in% c("genus1", "species1", "strain1") # TRUE

但是，您可以为此使用 grepl（l 用于逻辑，即 returns TRUE 或 FALSE）。

grepl("species1", "genus1|species1|strain1") # TRUE

这里有一个额外的复杂性，您不能将 grepl 与向量一起使用，因为它只会比较第一个值：

grepl(file1$V1, "genus1|species1|strain1") 
[1] TRUE
Warning message:
In grepl(file1$V1, "genus1|species1|strain1") :
  argument 'pattern' has length > 1 and only the first element will be used

上面简单的告诉你file1$V1的第一个元素在"genus1|species1|strain1".

此外，您想将 file1$V1 中的每个元素与整个字符串向量进行比较，而不仅仅是一个字符串。没关系，但你会得到一个与第二个向量长度相同的向量作为输出：

grepl("species1", file2$V1) 
[1]  TRUE  TRUE  TRUE FALSE FALSE

我们可以看看其中 any() 个是否匹配。当您用 tidyverse 标记您的问题时，这里有一个 dplyr 解决方案：

library(dplyr)
 file1 |>
    rowwise() |> # This makes sure you only pass one element at a time to `grepl`
    mutate(
        in_v2 = any(grepl(V1, file2$V1)) 
    ) |>
    filter(!in_v2)

# A tibble: 1 x 2
# Rowwise: 
#   V1           in_v2
#   <chr>        <lgl>
# 1 species14341 FALSE

Answer 2

获得所需内容的一种方法是使用 grepl 函数。所以，你可以运行下面的代码：

# Load library
  library(qdapRegex)
# Extract the names of file2$V1 you are interested in (those between | |)
  v <- unlist(rm_between(file2$V1, "|", "|", extract = T))
# Which of theese elements are in file1$V1?
  elem.are <- which(v %in% file1$V1)
# Delete the elements in elem.are
  file2$V1[-elem.are]

在v中我们保存我们感兴趣的file2$V1的名字（那些之间 | |)
然后我们把出现的那些名字的位置保存在elem.are 在 file1$V1
最后，我们使用 file2$V1[-elem.are]
省略了那些元素

过滤行时的子字符串匹配

Substring match when filtering rows

r

tidyverse