R语言拆分化学分子式为元素组分：缺失元素与无数字元素处理

实现思路 #

先通过正则表达式提取分子式中的元素及对应数量（无数字标注的元素默认计1），再与指定元素列表匹配，缺失元素填充0，最终生成标准化计数表格。

具体步骤 #

1. 加载依赖包：使用tidyverse工具集（包含stringr用于字符串处理，dplyr用于数据整理）

# 若未安装先执行安装
# install.packages("tidyverse")
library(tidyverse)

2. 定义目标元素与解析函数
   指定需要统计的元素列表，编写函数处理单个分子式：

# 目标元素列表
target_elements <- c("C", "H", "O", "N", "P", "S")

# 解析单个分子式的函数
parse_formula <- function(formula_str) {
  # 提取元素（大写开头）和后续数字（允许空值）
  elem_matches <- str_extract_all(formula_str, "([A-Z])(\\d*)", simplify = TRUE)
  
  # 转换为数据框，空数字替换为1
  elem_df <- data.frame(
    Element = elem_matches[, 1],
    Count = ifelse(elem_matches[, 2] == "", 1, as.integer(elem_matches[, 2])),
    stringsAsFactors = FALSE
  )
  
  # 匹配目标元素，缺失元素填充0，转宽格式输出
  data.frame(Element = target_elements, stringsAsFactors = FALSE) %>%
    left_join(elem_df, by = "Element") %>%
    mutate(Count = replace_na(Count, 0)) %>%
    pivot_wider(names_from = Element, values_from = Count)
}

3. 测试单个分子式

# 测试示例分子式
parse_formula("C6H12ON2PS")

输出结果：

# A tibble: 1 × 6
      C     H     O     N     P     S
  <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1     6    12     1     2     1     1

4. 批量处理多个分子式

# 批量处理示例
formula_list <- c("C6H12ON2PS", "H2O", "C6H6", "NH3")
map_dfr(formula_list, parse_formula)

输出结果：

# A tibble: 4 × 6
      C     H     O     N     P     S
  <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1     6    12     1     2     1     1
2     0     2     1     0     0     0
3     6     6     0     0     0     0
4     0     3     0     1     0     0

原代码问题说明 #

你之前使用的str_split(strsplit(as.character(Form), '(?<=.)(?=[A-Z])', perl=TRUE))仅完成了分子式的初步拆分（如将C6H12ON2PS拆分为["C6", "H12", "O", "N2", "P", "S"]），但缺少提取元素与数字对应关系、补全缺失元素并填充0的关键步骤，因此无法处理元素缺失的场景。

内容的提问来源于stack exchange，提问作者Moritz