如何在R语言数据框中去除基因ID编号，仅保留基因名称

你的需求是从以|分隔的基因ID中提取最后一段作为基因名称，替换原数据框的gene列。由于每个ID的长度不固定，substr()函数因为需要指定固定的起始/结束位置，并不适合这个场景。下面提供几种更通用的实现方法：

先构造示例数据框 #

首先还原你提供的原始数据：

df <- data.frame(
  gene = c("gb|ADZ12699.1|ARO:3005091|RanA", 
           "gb|AAV85982.1|ARO:3000535|macB", 
           "gb|APB03214.1|ARO:3003980|tetA(58)"),
  n = c(21, 19, 17),
  freq = c(7.1917808, 6.5068493, 5.8219178),
  stringsAsFactors = FALSE
)

方法1：基础R的sub()函数（正则表达式） #

利用正则表达式匹配最后一个|之后的所有内容，是最简洁的基础R实现：

df$gene <- sub(".*\\|(.*)", "\\1", df$gene)

• 正则说明：.*\\|会贪婪匹配到最后一个|（包括|）的所有内容；(.*)捕获最后一个|之后的所有字符作为分组1；替换时用\\1提取这个分组的内容。

方法2：strsplit()分割后取最后元素 #

通过strsplit()按|分割字符串，再提取每个分割结果的最后一个元素：

df$gene <- sapply(strsplit(df$gene, "\\|"), tail, n = 1)

• strsplit()会把每个ID拆分成字符串列表，sapply()遍历列表，用tail(1)取出每个列表的最后一项。

方法3：tidyverse + stringr包（更直观） #

如果你习惯用tidyverse生态，stringr包提供了更易读的函数：

library(stringr)
# 方法3.1：提取最后一段非|的内容
df$gene <- str_extract(df$gene, "[^\\|]+$")
# 方法3.2：直接取分隔后的最后一个"词"
df$gene <- word(df$gene, -1, sep = "\\|")

• [^\\|]+$匹配字符串末尾连续的非|字符；word()函数可以直接指定分隔符，用-1表示取最后一个分段。

处理后的结果 #

执行任意一种方法后，数据框会变为你期望的形式：

print(df)
#>        gene  n      freq
#> 1      RanA 21 7.1917808
#> 2      macB 19 6.5068493
#> 3 tetA(58) 17 5.8219178

内容的提问来源于stack exchange，提问作者minKN