在R语言中用正则按第二个竖线和第二个T分割数据列

解决方案代码 #

library(tidyverse)

# 示例数据
ids <- c("ETC|HMPI01000001|HMPI01000001.1 TAG: Genus Species, T05X3Ml2_CL10007Cordes1_1",
         "ETC|HMPI31000002|HMPI31000002.1 TAG: Genus Species, T3X3Ml2_CL10157Cordes1_1", 
         "ETC|HMPI01000007|HMPI01000007.1 TAG: Genus Species, T1X3Ml2_CL11231Cordes1_1")
df <- as.data.frame(ids)

# 执行拆分
df_split <- df %>%
  extract(
    col = ids, 
    into = c("var1", "var2"), 
    regex = "^[^|]+\\|[^|]+\\|([^\\s]+).*?(T\\S+)",
    remove = FALSE # 保留原列用于验证，不需要可设为TRUE
  )

# 查看结果
print(df_split)

代码说明 #

1. 工具选择：使用tidyverse中的extract函数，它通过正则捕获组直接提取目标片段，比separate更适合这种精准匹配场景。
2. 正则表达式解析：
   • ^[^|]+\\|：匹配开头到第一个竖线的内容（如ETC|）
   • [^|]+\\|：匹配第二个竖线之前的内容（如HMPI01000001|）
   • ([^\\s]+)：第一个捕获组，匹配第二个竖线后到第一个空格前的所有非空格字符（即目标var1）
   • .*?：非贪婪匹配中间的冗余内容（如TAG: Genus Species,），避免过度匹配
   • (T\\S+)：第二个捕获组，匹配以T开头的所有非空白字符（即目标var2）

预期输出 #

ids             var1                     var2
1 ETC|HMPI01000001|HMPI01000001.1 TAG: Genus Species, T05X3Ml2_CL10007Cordes1_1 HMPI01000001.1 T05X3Ml2_CL10007Cordes1_1
2 ETC|HMPI31000002|HMPI31000002.1 TAG: Genus Species, T3X3Ml2_CL10157Cordes1_1 HMPI31000002.1 T3X3Ml2_CL10157Cordes1_1
3 ETC|HMPI01000007|HMPI01000007.1 TAG: Genus Species, T1X3Ml2_CL11231Cordes1_1 HMPI01000007.1 T1X3Ml2_CL11231Cordes1_1

内容的提问来源于stack exchange，提问作者Mata