如何在R中使用sub函数保留gene_id中“.”之前的内容？

错误原因分析 #

你之前的代码存在两个问题：

1. 正则表达式逻辑错误：.*^.的匹配逻辑混乱，.*会匹配任意字符，^代表行首却放在表达式中间，.代表任意单个字符，最终错误删除了首字母E，且没正确匹配.后的内容。
2. 数据范围错误：直接操作gene_annot_parsed$gene_id仅提取了单列，导致其他列丢失。

正确实现方式 #

方法一：Base R 直接修改原数据框 #

使用sub函数搭配正确的正则表达式，直接赋值给原数据框的gene_id列，保留所有其他列：

# 修改gene_id列，保留.之前的内容
gene_annot_parsed$gene_id <- sub("\\..*", "", gene_annot_parsed$gene_id)

正则解释：\\..*中，\\.转义后匹配真实的.，.*匹配.之后的所有字符，替换为空字符串即可保留.前的内容。

方法二：Tidyverse 风格（dplyr） #

若习惯使用tidyverse工具包，可通过mutate函数精准修改指定列：

library(dplyr)

gene_annot_parsed <- gene_annot_parsed %>%
  mutate(gene_id = sub("\\..*", "", gene_id))

验证结果 #

执行修改后查看数据框：

gene_annot_parsed

输出结果如下（gene_id已正确处理，其他列完整保留）：

# A tibble: 5 × 6
    chr gene_id          gene_name  start   end gene_type                         
  <dbl> <chr>            <chr>      <dbl> <dbl> <chr>                             
1     1 ENSG00000223972 DDX11L1     11869 14403 transcribed_unprocessed_pseudogene
2     1 ENSG00000227232 WASH7P      14410 29553 unprocessed_pseudogene            
3     1 ENSG00000278267 MIR6859-1   17369 17436 miRNA                             
4     1 ENSG00000243485 MIR1302-2HG 29571 31109 lincRNA                           
5     1 ENSG00000237613 FAM138A     34554 36081 lincRNA                           

内容的提问来源于stack exchange，提问作者rheabedi1