如何在R中拆分列并提取特定信息生成新列

针对你给出的两种字符串格式（带/不带中间额外字段），核心思路是用正则表达式匹配固定特征的字段，以下分常用工具给出具体实现：

1. Python + Pandas 实现 #

假设你的数据存在DataFrame的raw_data列中，用str.extract结合正则一次性提取三列：

import pandas as pd

# 示例数据
df = pd.DataFrame({
    'raw_data': [
        'ATCC_V1V2_27F_338R',
        'Chicken_02_V1V2_27F_338R',
        'ATCC_V5V6_27FYM_338R',
        'Chicken_02_V5V6_27FYM_338R'
    ]
})

# 正则提取
df[['sample type', 'variable region', 'primer pair']] = df['raw_data'].str.extract(
    r'^(.*?)_(?:.*?_)?(V\w+)_(.*F_.*R)$',
    expand=True
)

print(df)

正则逻辑解释： #

• ^(.*?)_：匹配字符串开头到第一个下划线的内容（非贪婪匹配，确保只取第一个下划线前的样本类型）
• (?:.*?_)?：可选的非捕获组，处理中间可能存在的额外字段（比如_02_），不提取该部分
• (V\w+)：匹配以V开头的可变区（V\w+表示V后面跟任意字母/数字）
• _(.*F_.*R)$：匹配最后一个下划线后到结尾的内容，要求包含F和R（即引物对）

2. Excel 实现（支持Excel 365/2021） #

假设原始数据在A列，在B、C、D列分别输入以下公式：

• Sample type（B列）：提取第一个下划线前的内容

  =LEFT(A1, FIND("_", A1) - 1)
  

• Variable region（C列）：提取以V开头的字段

  =REGEXEXTRACT(A1, "V\w+")
  

• Primer pair（D列）：提取包含F和R的引物对

  =REGEXEXTRACT(A1, ".*F_.*R")
  

如果是旧版Excel（无REGEX函数），可以用字符串函数组合：

• Variable region：

  =MID(A1, SEARCH("V", A1), SEARCH("_", A1, SEARCH("V", A1)) - SEARCH("V", A1))
  

• Primer pair：

  =RIGHT(A1, LEN(A1) - SEARCH("_", A1, SEARCH("V", A1) + LEN(MID(A1, SEARCH("V", A1), SEARCH("_", A1, SEARCH("V", A1)) - SEARCH("V", A1)))))
  

3. 纯正则匹配规则（通用） #

如果你用其他工具（比如R、Shell脚本），可以直接使用以下正则表达式匹配三个目标字段：

• 样本类型：^(.*?)_
• 可变区：V\w+
• 引物对：.*F_.*R

或者用分组匹配一次性获取：^(.*?)_(?:.*?_)?(V\w+)_(.*F_.*R)$，三个分组分别对应三个字段。

内容的提问来源于stack exchange，提问作者tasha