R语言中提取字符串第二位基因符号，删除其余内容

假设你的数据框目标列中的字符串是通过**空白字符（空格/制表符）**分隔的（比如格式为前缀 基因符号 后缀），可以直接用gsub结合正则捕获组来只保留第二位的内容，不需要逐一删除指定元素，而是精准捕获需要的部分：

核心代码 #

# 替换目标列，仅保留第二位的基因符号
df$gene_symbol <- gsub("^\\S+\\s+(\\S+).*", "\\1", df$target_column)

正则逻辑说明 #

• ^\\S+：匹配字符串开头的第一个非空白片段（比如基因ID前缀）
• \\s+：匹配第一个片段和基因符号之间的所有空白字符
• (\\S+)：捕获组，匹配并保留第二位的非空白片段（即你的基因符号）
• .*：匹配基因符号之后的所有剩余内容
• \\1：替换时引用第一个捕获组的内容，最终只保留我们需要的基因符号

实例演示 #

比如你有这样的数据框：

df <- data.frame(gene_info = c(
  "ENSG00000139618 BRCA1 chr17:43044295-43125482",
  "ENSG00000141510 TP53 chr17:7571720-7590868",
  "ENSG00000121410 EGFR chr7:55019034-55207337"
))

运行代码后：

df$gene_symbol <- gsub("^\\S+\\s+(\\S+).*", "\\1", df$gene_info)

结果会生成新列gene_symbol，内容为BRCA1、TP53、EGFR。

适配其他分隔符 #

如果你的字符串是用逗号、分号等其他分隔符，只需要修改正则里的分隔部分：

• 逗号分隔：gsub("^[^,]+,\\s*([^,]+).*", "\\1", df$target_column)
• 分号分隔：gsub("^[^;]+;\\s*([^;]+).*", "\\1", df$target_column)

内容的提问来源于stack exchange，提问作者Yamen Wm