如何拆分数据框列中多分隔符字符串并提取去重ID前缀？

原始数据框：

已使用以下代码将分号分隔的字符串拆分为行：

library(tidyr)
library(dplyr)
without_02473 %>% 
  mutate(`Fasta headers` = strsplit(as.character(`Fasta headers`), ";")) %>%  
  unnest(`Fasta headers`) 

得到中间结果：

最终需要提取每个条目中_之前的前缀，去重后得到如下结果（排除ab55）：

尝试过分组、过滤等方法未成功，寻求解决办法。

可以通过拆分提取前缀+去重+过滤的步骤实现需求，以下提供两种简洁的实现方式：

方法一：使用separate_rows+separate #

library(tidyr)
library(dplyr)

without_02473 %>%
  # 按分号拆分字符串为独立行
  separate_rows(`Fasta headers`, sep = ";") %>%
  # 按下划线拆分，提取前缀作为新的Fasta headers列
  separate(`Fasta headers`, into = c(`Fasta headers`, "suffix"), sep = "_", remove = TRUE) %>%
  # 去除重复的前缀
  distinct(`Fasta headers`) %>%
  # 过滤掉不需要的ab55条目
  filter(`Fasta headers` != "ab55")

方法二：使用separate_rows+str_extract #

library(tidyr)
library(dplyr)
library(stringr)

without_02473 %>%
  separate_rows(`Fasta headers`, sep = ";") %>%
  # 提取下划线之前的所有字符作为前缀
  mutate(`Fasta headers` = str_extract(`Fasta headers`, "^[^_]+")) %>%
  distinct(`Fasta headers`) %>%
  filter(`Fasta headers` != "ab55")

关键说明： #

• separate_rows是tidyr中专门用于拆分字符串为行的函数，比strsplit+unnest更简洁。
• str_extract(Fasta headers, "^[^_]+")的逻辑是：匹配从字符串开头到第一个下划线之前的所有字符，精准提取前缀。
• distinct用于去除重复的前缀，filter用于排除不需要的ab55（如果你的需求中不需要排除，可去掉这一行）。

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