R语言筛选行名仅含破折号/句点或两者兼有的数据子集

你之前匹配失败的核心原因是混淆了R布尔运算符和正则语法规则：正则原生支持|表示“或”逻辑，但不支持直接用&表示“与”逻辑，多条件“与”匹配可以通过两次独立匹配后做布尔运算实现，逻辑清晰且性能优异，完全适配7万行规模的数据集。

实现代码 #

# 示例数据构造（和你给出的测试数据完全一致）
df <- data.frame(cell1 = c(0,1,2,3,4,5,6), cell2 = c(0,1,2,3,4,5,6))
rownames(df) <- c("CMP21-97G8.1", "RP11-34P13.7", "HLA.A", "HLA-A", "HLA-E", "HLA.E", "RP11.442N24--B.1")

# 提前提取行名，避免重复调用rownames产生额外性能开销
rn <- rownames(df)
# 固定字符匹配，关闭正则解析提升速度
has_dash <- grepl("-", rn, fixed = TRUE)
has_dot <- grepl(".", rn, fixed = TRUE)

# 按规则拆分三个子集
df1 <- df[has_dash & has_dot, ]  # 行名同时包含破折号和句点
df2 <- df[!has_dash & has_dot, ] # 行名仅包含句点、无破折号
df3 <- df[has_dash & !has_dot, ] # 行名仅包含破折号、无句点

结果验证 #

运行代码后三个子集完全符合预期输出：

> df1
                 cell1 cell2
CMP21-97G8.1         0     0
RP11-34P13.7         1     1
RP11.442N24--B.1     6     6

> df2
      cell1 cell2
HLA.A     2     2
HLA.E     5     5

> df3
      cell1 cell2
HLA-A     3     3
HLA-E     4     4

优化说明 #

• 调用grepl时加fixed = TRUE参数，是因为我们匹配的是固定的-和.字符，不需要启动正则引擎解析规则，匹配速度比纯正则写法快3-5倍，在大规模数据集上效果明显
• 提前把行名存为独立变量，避免每次匹配都重复提取行名，减少不必要的计算
• 如果需要用单条正则实现同时匹配两个符号，可以用Perl正则的正向预查语法：grepl("^(?=.*-)(?=.*\\.)", rn, perl = TRUE)，但该写法可读性和性能都不如布尔运算方案，不推荐使用

内容的提问来源于stack exchange，提问作者KaitS