如何在R语言中使用正则表达式处理样本条码？

需求说明 #

移除样本条码中的冗余内容，保留前4个以短横线分隔的子串，同时去掉第4个子串的最后一个字符。

原代码问题 #

你当前的正则表达式^([^-]*-[^-]*-[^-]*-[^-]*).{1}$无法满足需求：

• 它仅匹配字符串末尾的1个字符并移除，但输入条码的冗余内容是第4个分隔子串之后的所有部分，且第4个子串本身还有额外字符（比如01A里的A）
• 原正则的[^-]*会匹配完整的第4个子串（比如01A），没有截断最后一位的逻辑

解决方案 #

这里提供两种可靠的实现方式：

方法1：改进正则表达式

使用更精准的正则来捕获目标内容，忽略后续所有冗余部分：

sub.maf.barcode <- gsub("^([^-]*-[^-]*-[^-]*-[^-])(?:.*)$", "\\1", ori.maf.barcode$Tumor_Sample_Barcode)

• 正则解析：
  • ^([^-]*-[^-]*-[^-]*-[^-])：捕获前3个完整子串，加上第4个子串的前n-1个字符（[^-]匹配除短横线外的单个字符，对应第4个子串去掉最后一位）
  • (?:.*)$：非捕获组，匹配从第4个子串剩余部分到字符串结尾的所有内容
  • 替换为\\1，只保留捕获到的目标内容

方法2：分割重组（更直观易读）

如果觉得正则不好维护，可以用strsplit分割后再拼接：

# 分割每个条码为子串列表
barcode_parts <- strsplit(ori.maf.barcode$Tumor_Sample_Barcode, "-")
# 处理每个条码：取前4个部分，截断第4个的最后一位，再拼接
sub.maf.barcode <- sapply(barcode_parts, function(x) {
  x[4] <- substr(x[4], 1, nchar(x[4])-1)
  paste(x[1:4], collapse = "-")
})

测试验证 #

输入示例：

> ori.maf.barcode$Tumor_Sample_Barcode[1:5]
[1] "TCGA-2K-A9WE-01A-11D-A382-10" "TCGA-2Z-A9J1-01A-11D-A382-10"
[3] "TCGA-2Z-A9J2-01A-11D-A382-10" "TCGA-2Z-A9J3-01A-12D-A382-10"
[5] "TCGA-2Z-A9J5-01A-21D-A382-10"

使用上述任一方法后，输出结果：

> sub.maf.barcode[1:5]
[1] "TCGA-2K-A9WE-01" "TCGA-2Z-A9J1-01"
[3] "TCGA-2Z-A9J2-01" "TCGA-2Z-A9J3-01"
[5] "TCGA-2Z-A9J5-01"

内容的提问来源于stack exchange，提问作者melolilili