如何在R中处理分号分隔值的列并提取指定字段

直接用tidyr和dplyr的组合就能搞定，核心思路是先把分号分隔的键值对拆成多行，再转成宽格式，最后处理版本号。步骤如下：

1. 加载依赖包 #

library(tidyr)
library(dplyr)

2. 给原数据加行号（用于后续匹配回原条目） #

拆分后会生成多行，加行号能确保最后合并时对应正确：

data <- data %>% mutate(row_id = row_number())

3. 拆分region.hg为单个键值对 #

把分号（含后面的空格）作为分隔符，把每个键值对拆成单独一行，同时过滤掉空条目：

key_value_df <- data %>%
  separate_rows(region.hg, sep = ";\\s*") %>%
  filter(region.hg != "")

4. 拆分键和值 #

用空格把每个键值对拆成key和value两列，extra = "merge"确保如果值里有空格（比如带空格的基因名）也不会被拆分：

key_value_df <- key_value_df %>%
  separate(region.hg, into = c("key", "value"), sep = "\\s+", extra = "merge")

5. 转成宽格式（每个字段作为独立列） #

把key列的内容转成列名，value作为对应列的值，自动补全缺失的字段为NA：

wide_df <- key_value_df %>%
  pivot_wider(names_from = key, values_from = value)

6. 去除transcript_id的版本号 #

用正则表达式匹配点号结尾的数字，替换为空字符串：

wide_df <- wide_df %>%
  mutate(transcript_id = sub("\\.\\d+$", "", transcript_id))

7. 合并回原数据并清理 #

把处理好的宽格式数据和原数据合并，去掉临时的行号列，保留原region.hg列：

final_data <- data %>%
  left_join(wide_df, by = "row_id") %>%
  select(-row_id)

最终结果 #

运行完后final_data会保留原所有列，同时新增gene_id、transcript_id（无版本号）、gene_name、exon_number、exon_id等独立列，缺失的字段自动填充NA。

内容的提问来源于stack exchange，提问作者Scheggia