如何在R中从现有列提取指定内容新建sample_id等多列

Python（Pandas 环境） #

生信分析中处理测序文件名表格最常用的是Pandas库，直接通过正则匹配一次性提取所需字段即可：

import pandas as pd

# 假设df为存储了name列的原始数据框
df[['sample_id', 'timepoint', 'paired_end']] = df['name'].str.extract(
    r'^(?P<sample_id>\d{10})-(?P<timepoint>\d+)_R(?P<paired_end>\d+)_'
)

# 可选：将提取到的数字类字段转换为整型
df['timepoint'] = df['timepoint'].astype(int)
df['paired_end'] = df['paired_end'].astype(int)

正则规则完全匹配你给出的文件名格式：

• 开头10位数字匹配为sample_id
• -和_R之间的数字匹配为timepoint
• _R和下一个_之间的数字匹配为paired_end

R（tidyverse 环境） #

如果你习惯用R处理数据，使用stringr的正则提取功能即可实现：

library(tidyverse)

# 假设df为存储了name列的原始数据框
df <- df %>%
  mutate(
    sample_id = str_extract(name, "^\\d{10}"),
    timepoint = as.integer(str_extract(name, "(?<=-)\\d+(?=_R)")),
    paired_end = as.integer(str_extract(name, "(?<=_R)\\d+(?=_)"))
  )

内容的提问来源于stack exchange，提问作者rynne94