在R中匹配数据框目标列名的正则表达式求解

需求概述 #

需要在R语言中用正则表达式从数据框列名里匹配包含Epithelium的字符串，同时排除包含Stroma的字符串。

待匹配字符串示例 #

tumor_stroma_epi_ovr_v4..Epithelium.area.µm.2
tumor_stroma_epi_colo_v3..Epithelium.area...m.2
tumor_stroma_epi_nsclc_v2..Epithelium.area.µm.2
tumor_stroma_epi_tnbc_v3..Epithelium.area.µm.2
tumor_stroma_epi_panc_v5..Epithelium.area.µm.2

需排除字符串示例 #

tumor_stroma_epi_ovr_v4..Stroma.area.µm.2
tumor_stroma_epi_colo_v3..Stroma.area...m.2
tumor_stroma_epi_nsclc_v2..Stroma.area.µm.2
tumor_stroma_epi_tnbc_v3..Stroma.area.µm.2
tumor_stroma_epi_panc_v5..Stroma.area.µm.2

原正则的问题分析 #

原正则^tumor_stroma_epi_[a-z]+_v[0-9]+\\.{2}Epithelium\\.area\\.?µm\\.2$存在以下限制：

• 仅允许area后有0或1个点，无法匹配...m这种多个点的情况
• 硬编码µm，无法覆盖µm或纯m的单位形式
• 结尾匹配过于严格，没有兼容不同单位的变化

修正后的正则表达式 #

下面的正则可以覆盖所有待匹配场景，同时自动排除包含Stroma的字符串：

pattern <- "^tumor_stroma_epi_[a-z]+_v[0-9]+\\.{2}Epithelium\\.area.*(Â?µ|m)\\.2$"

正则说明 #

• ^tumor_stroma_epi_[a-z]+_v[0-9]+\\.{2}：匹配统一的前缀部分，确保开头符合指定格式
• Epithelium\\.area：明确匹配包含Epithelium的关键段，自然排除Stroma的字符串
• .*：匹配area到单位之间的任意字符（包括多个点、特殊字符等）
• (Â?µ|m)：匹配三种单位情况：µ、µ、m
• \\.2$：匹配结尾的.2，确保字符串结构完整

测试代码及结果 #

strings <- c(
  "tumor_stroma_epi_ovr_v4..Epithelium.area.µm.2",
  "tumor_stroma_epi_colo_v3..Epithelium.area...m.2",
  "tumor_stroma_epi_nsclc_v2..Epithelium.area.µm.2",
  "tumor_stroma_epi_tnbc_v3..Epithelium.area.µm.2",
  "tumor_stroma_epi_panc_v5..Epithelium.area.µm.2",
  "tumor_stroma_epi_ovr_v4..Stroma.area.µm.2",
  "tumor_stroma_epi_colo_v3..Stroma.area...m.2",
  "tumor_stroma_epi_nsclc_v2..Stroma.area.µm.2",
  "tumor_stroma_epi_tnbc_v3..Stroma.area.µm.2",
  "tumor_stroma_epi_panc_v5..Stroma.area.µm.2"
)

pattern <- "^tumor_stroma_epi_[a-z]+_v[0-9]+\\.{2}Epithelium\\.area.*(Â?µ|m)\\.2$"
matches <- grepl(pattern, strings)
print(matches)

执行后输出：

[1]  TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE

内容的提问来源于stack exchange，提问作者fgootkind