如何用R语言stringr包精准提取INFO字段中的AF值？

问题分析 #

你用str_extract_all(my_sting, "AF=.+;")得到多余内容，是因为正则里的.+是贪婪匹配——它会尽可能匹配更多字符，直到遇到字符串最后一个分号，所以会把后面的字段也包含进来。

解决方案 #

下面是几种可靠的处理方式：

1. 精准匹配非分号字符（推荐）

直接匹配AF=后面所有不是分号的字符，这样不会误匹配后续字段：

library(stringr)
my_sting="AC=1;AN=249706;AF=4.00471e-06;rf_tp_probability=8.55653e-01;"
# 提取带AF=的完整片段
str_extract(my_sting, "AF=[^;]+")
# 输出：[1] "AF=4.00471e-06"

# 如果只需要数值部分，可进一步处理
af_value <- as.numeric(str_remove(str_extract(my_sting, "AF=[^;]+"), "AF="))
# 输出：[1] 4.00471e-06

2. 非贪婪匹配

把贪婪的.+改成非贪婪的.+?，让它匹配到第一个分号就停止：

str_extract(my_sting, "AF=.+?;")
# 输出：[1] "AF=4.00471e-06;"
# 若要去掉末尾分号，可加str_remove
str_remove(str_extract(my_sting, "AF=.+?;"), ";")

3. 批量处理数据框的INFO列

如果要处理整个数据框的INFO列，直接批量提取即可：

# 假设你的数据框名为df
df$AF <- str_extract(df$INFO, "AF=[^;]+")
# 提取纯数值列
df$AF_num <- as.numeric(str_remove(df$AF, "AF="))

4. 专业VCF文件处理（更规范）

如果你的数据是标准VCF格式，推荐用VariantAnnotation包直接解析，避免正则的繁琐：

library(VariantAnnotation)
# 读取VCF文件
vcf_obj <- readVcf("your_vcf_file.vcf")
# 提取INFO中的AF字段
af_values <- info(vcf_obj)$AF

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