如何在R语言中用抽样字符替换序列中的通配符?

需求说明 #

给定包含通配符?的字符串序列（如s0、s1、s2），需要从指定的氨基酸向量AADict中随机抽取与通配符数量一致的字符，转为小写后替换所有?。抽样得到的字符顺序可调整，只要完成所有通配符的替换即可。

示例数据 #

# 示例序列
s0 <- "KDRH?THLA???RT?HLAK"
s1 <- "FKDHKHIDVKDRHRTHLAK????RTRHLAK"
s2 <- "FKHIDVKDRHRTRHLAK??????????"

# 氨基酸字典
AADict <- c("A", "R", "N", "D", "C", "E", "Q", "G", "H", 
            "I", "L", "K", "M", "F", "P", "S", "T", "W", "Y", "V")

实现方案 #

方案1：Base R实现（无额外依赖） #

通过拆分字符串为字符向量，定位通配符位置后直接替换，逻辑直观：

replace_wildcards <- function(s, dict, seed = NULL) {
  # 设置随机种子（可选，用于复现结果）
  if (!is.null(seed)) set.seed(seed)
  
  # 将字符串拆分为单个字符的向量
  char_vec <- strsplit(s, "")[[1]]
  # 找到所有通配符的位置
  wildcard_idx <- which(char_vec == "?")
  # 抽样对应数量的字符并转为小写
  sampled_chars <- tolower(sample(dict, length(wildcard_idx), replace = TRUE))
  # 替换通配符位置的字符
  char_vec[wildcard_idx] <- sampled_chars
  # 合并字符向量为完整字符串
  paste(char_vec, collapse = "")
}

方案2：依赖stringr包实现（更简洁） #

利用stringr包的字符串处理函数，代码更紧凑：

# 若未安装stringr，先执行：install.packages("stringr")
library(stringr)

replace_wildcards <- function(s, dict, seed = NULL) {
  if (!is.null(seed)) set.seed(seed)
  
  # 统计通配符数量
  wc_count <- str_count(s, "\\?")
  # 抽样并转小写
  sampled_chars <- tolower(sample(dict, wc_count, replace = TRUE))
  # 逐个替换通配符
  str_replace_all(s, "\\?", function(x) {
    # 每次取抽样向量的第一个元素，然后移除该元素
    char <- sampled_chars[1]
    sampled_chars <<- sampled_chars[-1]
    char
  })
}

测试验证 #

# 测试s0，使用seed=1复现题目中的抽样结果
replace_wildcards(s0, AADict, seed = 1)
# 输出："KDRHdTHLAqarRTlHLAK"（与题目预期一致）

# 测试s1
replace_wildcards(s1, AADict, seed = 123)
# 输出示例："FKDHKHIDVKDRHRTHLAKfranRTRHLAK"（结果随抽样变化）

# 测试s2
replace_wildcards(s2, AADict, seed = 456)
# 输出示例："FKHIDVKDRHRTRHLAKydmewvqplca"（结果随抽样变化）

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