如何用dplyr从R数据框的复杂文本列提取PFLU_***字符串

我来帮你搞定这个提取需求！你想要从dataframe的type列里精准拿出PFLU_***格式的基因ID，其实用正则表达式就能轻松实现，下面给你两种实用的R语言方法：

首先先确认你的原始数据（方便复现问题）：

type=c("ID=gene:PFLU_4201; biotype=protein_coding;description=putative filamentous adhesin;gene_id=PFLU_4201; logic_name=ena", "ID=gene:PFLU_5927;Name=algP1;biotype=protein_coding; description=transcriptional regulatory protein algp (alginate regulatory protein algr3); gene_id=PFLU_5927;logic_name=ena")
SNP=c(1, 2)
data=data.frame(type, SNP)

方法一：用基础R的sub函数 #

不需要额外安装包，直接用基础R的正则替换功能，把非目标内容全部替换掉，只保留我们要的PFLU_开头的序列：

data$type <- sub(".*(PFLU_\\d+).*", "\\1", data$type)

这里的正则.*(PFLU_\\d+).*的意思是：匹配任意内容，然后捕获PFLU_加一串数字的部分，最后把整个字符串替换成捕获到的内容（\\1代表第一个捕获组）。

方法二：用stringr包的str_extract（更直观） #

如果你习惯用tidyverse系列的工具，stringr包的str_extract函数可以直接提取匹配的字符串，代码更简洁：

# 先安装包（第一次用的话）
# install.packages("stringr")
library(stringr)

data$type <- str_extract(data$type, "PFLU_\\d+")

这里的PFLU_\\d+就是精准匹配以PFLU_开头、后面跟着一个或多个数字的字符串，直接提取出符合条件的部分。

两种方法运行后，你的dataframe都会变成你想要的样子：

type SNP
1 PFLU_4201   1
2 PFLU_5927   2

内容的提问来源于stack exchange，提问作者LDT