R语言中grep筛选路径出现冗余匹配的问题

目标染色体 #

需要保留的染色体列表：

> sort(chrm_to_filter$chr)
 "chr1"  "chr11" "chr16" "chr17" "chr2"  "chr5"  "chr6"  "chr7" 

待筛选的文件路径示例 #

待处理的文件路径列表：

print(path_per_chr_tabix)
"/path_to_file/merged_modified_per_base_calling.chr1.bgz" 
"/path_to_file/merged_modified_per_base_calling.chr10.bgz"
"/path_to_file/merged_modified_per_base_calling.chr11.bgz"
"/path_to_file/merged_modified_per_base_calling.chr12.bgz"
"/path_to_file/merged_modified_per_base_calling.chr13.bgz"
"/path_to_file/merged_modified_per_base_calling.chr14.bgz"
"/path_to_file/merged_modified_per_base_calling.chr15.bgz"
"/path_to_file/merged_modified_per_base_calling.chr16.bgz"
"/path_to_file/merged_modified_per_base_calling.chr17.bgz"
"/path_to_file/merged_modified_per_base_calling.chr18.bgz"
"/path_to_file/merged_modified_per_base_calling.chr19.bgz"
"/path_to_file/merged_modified_per_base_calling.chr2.bgz" 
"/path_to_file/merged_modified_per_base_calling.chr3.bgz" 
"/path_to_file/merged_modified_per_base_calling.chr4.bgz" 
"/path_to_file/merged_modified_per_base_calling.chr5.bgz" 
"/path_to_file/merged_modified_per_base_calling.chr6.bgz" 
"/path_to_file/merged_modified_per_base_calling.chr7.bgz" 
"/path_to_file/merged_modified_per_base_calling.chr8.bgz" 
"/path_to_file/merged_modified_per_base_calling.chr9.bgz" 
"/path_to_file/merged_modified_per_base_calling.chrm.bgz" 
"/path_to_file/merged_modified_per_base_calling.chrX.bgz" 
"/path_to_file/merged_modified_per_base_calling.chrY.bgz" 

当前筛选代码 #

使用以下代码筛选，但得到了多余结果：

# 筛选需要加载的文件以节省内存
subset_tabix_paths_to_load <- path_per_chr_tabix[
    grep(
        paste0(sort(chrm_to_filter$chr), collapse="|"), 
        path_per_chr_tabix)
    ]
message("当前将处理以下文件：")
print(subset_tabix_paths_to_load)

错误结果 #

筛选后包含了chr10、chr12等非目标染色体的文件：

"/paths/merged_modified_per_base_calling.chr1.bgz" 
"/paths/merged_modified_per_base_calling.chr10.bgz"
"/paths/merged_modified_per_base_calling.chr11.bgz"
"/paths/merged_modified_per_base_calling.chr12.bgz"
"/paths/merged_modified_per_base_calling.chr13.bgz"
"/paths/merged_modified_per_base_calling.chr14.bgz"
"/paths/merged_modified_per_base_calling.chr15.bgz"
"/paths/merged_modified_per_base_calling.chr16.bgz"
"/paths/merged_modified_per_base_calling.chr17.bgz"
"/paths/merged_modified_per_base_calling.chr18.bgz"
"/paths/merged_modified_per_base_calling.chr19.bgz"
"/paths/merged_modified_per_base_calling.chr2.bgz" 
"/paths/merged_modified_per_base_calling.chr5.bgz" 
"/paths/merged_modified_per_base_calling.chr6.bgz" 
"/paths/merged_modified_per_base_calling.chr7.bgz" 

问题根源 #

当前正则表达式是部分匹配，比如chr1会匹配所有包含chr1的字符串（如chr10、chr11等），没有限制匹配边界，导致多余结果。

解决方案 #

方法1：修改正则表达式，精确匹配文件名结构 #

利用文件命名规则（.chrX.bgz结尾），给每个目标染色体加上边界限制，确保只匹配完整的染色体编号：

# 构建精确匹配的正则表达式：匹配 ".chrX.bgz" 结尾的模式
target_pattern <- paste0("\\.", sort(chrm_to_filter$chr), "\\.bgz$", collapse = "|")

subset_tabix_paths_to_load <- path_per_chr_tabix[grep(target_pattern, path_per_chr_tabix)]

message("筛选后的目标文件：")
print(subset_tabix_paths_to_load)

方法2：提取染色体名称后精确匹配 #

先从每个路径中提取染色体名称，再和目标列表做精确匹配，直观且不易出错：

# 从路径中提取染色体名称（匹配 .chrX.bgz 部分）
extracted_chrs <- sub(".+\\.(chr[^\\.]+)\\.bgz$", "\\1", path_per_chr_tabix)
extracted_chrs <- paste0("chr", extracted_chrs)

# 筛选包含在目标列表中的路径
subset_tabix_paths_to_load <- path_per_chr_tabix[extracted_chrs %in% sort(chrm_to_filter$chr)]

message("筛选后的目标文件：")
print(subset_tabix_paths_to_load)

方法3：使用stringr包精确匹配（需先安装） #

如果习惯用tidyverse工具链，可用stringr::str_detect结合fixed()做精确匹配：

library(stringr)

# 给每个目标染色体加上前后分隔符，避免部分匹配
target_chrs <- paste0(".", sort(chrm_to_filter$chr), ".bgz")

subset_tabix_paths_to_load <- path_per_chr_tabix[str_detect(path_per_chr_tabix, fixed(target_chrs))]

message("筛选后的目标文件：")
print(subset_tabix_paths_to_load)

以上三种方法都能得到正确结果，仅保留目标染色体对应的文件路径。

内容的提问来源于stack exchange，提问作者sahuno