R语言data.frame行处理：移除指定区间行并匹配追加内容

原始数据与需求 #

原始数据框：

df <- data.frame(V1 = c(">NP_abc d", "1", "Efg", "hij", "2", "3KL", 
                        "VGSFNGWDGRRHPMRLRHPTGVWEIFVPRLQPGEVYKYEILGAHGILPLKSDPMALATTLPPDTASKISAPLKFEWHDQD",
                        ">WP_mno p", "Rst", "uw", "adb", "cgi",
                        "PGLGIRLDKLASFVVTLSLYAGAYLTEVFRAGLLSIHKGQREAGLAIGLGEWQVRAYIIVPVMLRNVLPALSNNFISLFK",
                        ">GP_hgs i Hhh yuy",
                        "WEGLETPVQVVWRHALLPVIELPLAALHDPEPLNLLDAPLLRLVHAEDPDNQRIVAVLLFHHLIMDHVALDLLSHELQAV"))

匹配目标向量：

some_vector <- c("Efg", "hij", "Rst", "adb")

核心需求：

• 移除位于>开头行和长度为80的行之间的所有中间行
• 若中间行字符串在some_vector中，按出现顺序追加到对应>开头行末尾（以空格分隔）

解决方案代码 #

library(dplyr)
library(tidyr)

# 标记每行类型：header(>开头)、target(长度80)、other(中间行)
df <- df %>%
  mutate(
    type = case_when(
      startsWith(V1, ">") ~ "header",
      nchar(V1) == 80 ~ "target",
      TRUE ~ "other"
    )
  )

# 为每个header-target区间创建分组
df <- df %>%
  mutate(group = cumsum(type == "header"))

# 分组处理：合并匹配内容、提取目标行
processed <- df %>%
  group_by(group) %>%
  summarise(
    header = paste(
      V1[type == "header"],
      paste(V1[type == "other" & V1 %in% some_vector], collapse = " "),
      sep = " "
    ),
    target = V1[type == "target"]
  ) %>%
  # 将分组结果展开为单列
  pivot_longer(cols = c(header, target), values_to = "V1") %>%
  select(V1) %>%
  # 去除多余空格（无匹配内容时的冗余空格）
  mutate(V1 = trimws(V1))

# 转换为最终数据框
df1 <- as.data.frame(processed)

代码逻辑说明 #

1. 行类型标记：通过startsWith识别>开头的标题行，nchar识别长度为80的目标行，剩余归为中间行。
2. 区间分组：用cumsum累加标题行的出现次数，实现每个标题行到下一个标题行前的区间单独分组。
3. 内容合并与提取：
   • 每组内将标题行与匹配some_vector的中间行用空格拼接
   • 提取每组的目标行
4. 格式整理：将分组后的标题和目标行转为单列，用trimws清理多余空格，得到符合要求的数据框。

验证结果 #

运行代码后，df1的输出与预期完全一致：

print(df1)
#                                                                 V1
# 1                                                >NP_abc d Efg hij
# 2 VGSFNGWDGRRHPMRLRHPTGVWEIFVPRLQPGEVYKYEILGAHGILPLKSDPMALATTLPPDTASKISAPLKFEWHDQD
# 3                                                >WP_mno p Rst adb
# 4 PGLGIRLDKLASFVVTLSLYAGAYLTEVFRAGLLSIHKGQREAGLAIGLGEWQVRAYIIVPVMLRNVLPALSNNFISLFK
# 5                                             >GP_hgs i Hhh yuy
# 6 WEGLETPVQVVWRHALLPVIELPLAALHDPEPLNLLDAPLLRLVHAEDPDNQRIVAVLLFHHLIMDHVALDLLSHELQAV

内容的提问来源于stack exchange，提问作者Traitor Legions