R语言如何使用sub或gsub命令编辑修改基因表达数据行名

问题背景 #

现有基因表达数据文件，行名格式示例为：GTEX.1117F.3226.SM.5N9CT，需要将所有行名统一修改为GTEX-1117F格式（仅保留前两个点分隔的字段，中间用短横线连接，丢弃后续字段）。
此前尝试的代码存在两类错误：

• 运行gsub(".","-",row.names(gene_exp_transpose))后，所有行名都被替换为全横杠的-----
• 固定长度截取的substr(data, 0,5)方法不适用，部分行的目标第二段长度为4字符，固定截取会出错。

错误原因 #

1. 正则表达式中.是特殊元字符，默认匹配任意单个字符，未转义直接传入gsub会将字符串中所有字符都替换为-，因此出现全横杠的结果。
2. GTEx样本ID的前两个字段长度不固定，固定位置截取的方法鲁棒性差，无法适配所有行名。

正确实现代码 #

使用sub函数通过正则捕获前两个字段即可，无需固定长度，适配所有长度的第二段ID：

# 直接替换行名
row.names(gene_exp_transpose) <- sub(
  pattern = "^([^.]+)\\.([^.]+)\\..*$",
  replacement = "\\1-\\2",
  x = row.names(gene_exp_transpose)
)

正则逻辑说明 #

• ^：匹配字符串起始位置
• ([^.]+)：第一个捕获组，匹配第一个.之前的所有非点字符（即示例中的GTEX）
• \\.：匹配字面意义的.（正则中特殊字符需要双反斜杠转义）
• ([^.]+)：第二个捕获组，匹配第一个.和第二个.之间的所有非点字符（即示例中的1117F，长度4/5都可正常匹配）
• \\..*$：匹配第二个.之后直到字符串末尾的所有内容，后续替换时直接丢弃
• \\1-\\2：将两个捕获组的内容用-拼接，得到目标格式的行名

效果验证 #

用测试样例运行验证结果：

test_id <- c("GTEX.1117F.3226.SM.5N9CT", "GTEX.X789.001A.SM.9Z8Y7")
sub("^([^.]+)\\.([^.]+)\\..*$", "\\1-\\2", test_id)
# 输出：[1] "GTEX-1117F" "GTEX-X789"

补充：如果确实需要替换字符串中所有字面量.，可以给gsub加fixed = TRUE参数关闭正则匹配，例如gsub(".", "-", x, fixed = TRUE)，但本场景不需要替换所有点，因此不适用。

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