使用R提取数据框wide peak boundaries列中chr后的字符/数字：解决chrX行提取返回NA的问题

我一眼就发现问题出在你写的正则表达式上啦！你原来的正则里第一个捕获组用了\\d+，这只能匹配纯数字的染色体编号，但chrX里的X是字母，自然就匹配失败返回NA了。

修正方案：调整正则表达式 #

把匹配染色体部分的规则改成支持字母+数字的模式，比如用([0-9Xx]+)（如果只考虑常见的数字、X/Y），或者更通用的([A-Za-z0-9]+)，这样就能覆盖所有染色体编号的情况了。

修改后的代码如下：

library(tidyr)
# 调整正则，第一个捕获组支持字母+数字，同时明确匹配前缀"chr"
df <- extract(df, 'wide peak boundaries', 
              into = c('chr', 'start', 'end'), 
              'chr([A-Za-z0-9]+):(\\d+)-(\\d+)', 
              remove = F, convert = T)

运行后的结果 #

执行后，chrX的行就能正确提取了：

df
Group Direction cytoband q value residual q value wide peak boundaries chr start end
V29 All DEL 11q25 7.78E-43 2.22E-39 chr11:130906630-135086622 11 130906630 135086622
V30 All DEL Xp22.11 3.01E-38 1.91E-35 chrX:23277186-26139553 X 23277186 26139553
V31 All DEL 10q23.31 3.61E-31 3.61E-31 chr10:87745632-87859602 10 87745632 87859602
V32 All DEL 22q12.3 4.03E-25 3.96E-25 chr22:33050952-34766503 22 33050952 34766503
V33 All DEL 11p15.4 6.59E-25 6.59E-25 chr11:3230287-3799554 11 3230287 3799554

额外说明 #

如果你还需要支持Y、M（线粒体）这类染色体，这个正则也能完美适配，因为[A-Za-z0-9]+会匹配任何字母和数字的组合。

内容的提问来源于stack exchange，提问作者Lin Caijin