如何修复stringr正则代码中的mutate()报错？

错误原因分析 #

你的代码有两个核心问题：

• 调用str_replace_all时传入了整个数据框practice，而不是目标列GOX——str_replace_all需要处理向量（单一列），传入数据框会触发类型转换警告，行数变化时还会出现长度不匹配错误。
• 正则表达式\\w是匹配字母数字下划线，你用它做替换会把所有字母数字都删掉，完全违背了保留GO术语的需求。

正确解决方案 #

我们用str_extract_all提取所有符合GO:\\d+模式的内容（GO术语的标准格式是GO:+数字），结合dplyr和tidyr处理关联关系：

1. 模拟测试数据

先构造和你数据结构一致的测试集：

library(dplyr)
library(stringr)
library(tidyr)

practice <- tibble(
  Gene = c("TRINITY_DN142883_c0_g1", "TRINITY_DN12345_c1_g2"),
  GOX = c("GO:0005737 (cytoplasm); GO:0005829 (cytosol); GO:0000166 (nucleotide binding)",
          "GO:0003677 (DNA binding); GO:0005634 (nucleus)")
)

2. 提取并展开GO术语（每行一个术语+对应基因）

这是最常用的格式，方便后续分析：

practice %>%
  select(Gene, GOX) %>%
  # 提取GOX中所有符合GO:数字的术语，返回列表列
  mutate(GO_terms = str_extract_all(GOX, "GO:\\d+")) %>%
  # 把列表列展开成多行，每个术语对应一行基因
  unnest(GO_terms)

输出结果：

# A tibble: 5 × 3
  Gene                  GOX                                                                 GO_terms
  <chr>                 <chr>                                                               <chr>   
1 TRINITY_DN142883_c0_g1 GO:0005737 (cytoplasm); GO:0005829 (cytosol); GO:0000166 (nucleo… GO:0005737
2 TRINITY_DN142883_c0_g1 GO:0005737 (cytoplasm); GO:0005829 (cytosol); GO:0000166 (nucleo… GO:0005829
3 TRINITY_DN142883_c0_g1 GO:0005737 (cytoplasm); GO:0005829 (cytosol); GO:0000166 (nucleo… GO:0000166
4 TRINITY_DN12345_c1_g2  GO:0003677 (DNA binding); GO:0005634 (nucleus)                     GO:0003677
5 TRINITY_DN12345_c1_g2  GO:0003677 (DNA binding); GO:0005634 (nucleus)                     GO:0005634

3. 合并GO术语为字符串（每个基因一行，术语用分隔符连接）

如果需要把单个基因的所有GO术语放在同一列：

practice %>%
  select(Gene, GOX) %>%
  mutate(GO_terms = sapply(str_extract_all(GOX, "GO:\\d+"), paste, collapse = ", "))

输出结果：

# A tibble: 2 × 3
  Gene                  GOX                                                                 GO_terms                         
  <chr>                 <chr>                                                               <chr>                            
1 TRINITY_DN142883_c0_g1 GO:0005737 (cytoplasm); GO:0005829 (cytosol); GO:0000166 (nucleo… GO:0005737, GO:0005829, GO:0000166
2 TRINITY_DN12345_c1_g2  GO:0003677 (DNA binding); GO:0005634 (nucleus)                     GO:0003677, GO:0005634          

补充说明 #

• 正则GO:\\d+可以精准匹配所有标准GO术语，如果你的数据里有更长的数字段（比如GO:0000001），这个表达式依然有效。
• 如果GOX列的格式有特殊符号（比如非分号分隔），可以调整正则或者先做字符串分割，比如用str_split(GOX, "; ")再提取术语。

内容的提问来源于stack exchange，提问作者Seth