R语言处理CIGAR字符串：统计I前排除紧邻数字的数值总和

原有代码问题分析 #

你现有方案的核心错误在于正则规则的逻辑缺陷：\d+(?!I)仅匹配后方不紧跟I的数字，既没有限制匹配范围为第一个I之前的内容，也没有排除紧邻I的数字段，还会纳入I之后的所有数字，因此出现计算错误。

基础需求实现（仅统计第一个I前符合要求的数字和） #

实现思路 #

1. 先截断字符串，仅保留第一个I之前的内容
2. 剔除该部分末尾紧邻I的数字段
3. 提取剩余所有数字求和即可

代码实现 #

library(tidyverse)

sum_prior_first_I <- function(cigar_str) {
  # 移除第一个I及之后的所有内容
  before_first_I <- str_remove(cigar_str, "I.*$")
  # 若I在字符串开头，直接返回0
  if (str_detect(before_first_I, "^\\d+$")) {
    return(0)
  }
  # 移除紧邻I的最后一段数字
  before_last_num <- str_remove(before_first_I, "\\d+$")
  # 提取所有数字求和
  sum(as.numeric(str_extract_all(before_last_num, "\\d+")[[1]]), na.rm = TRUE)
}

# 测试基础示例
df <- data.frame(String = c("220M1I","10I200M","5M2D1I20M","22M5D2M3I5M"))
df <- df %>% 
  rowwise() %>% 
  mutate(Sum_prior = sum_prior_first_I(String))

输出结果 #

# A tibble: 4 × 2
# Rowwise: 
  String      Sum_prior
  <chr>           <dbl>
1 220M1I            220
2 10I200M             0
3 5M2D1I20M           7
4 22M5D2M3I5M        29

完全符合预期输出。

进阶需求实现（多I场景分Output_1/Output_2统计） #

实现思路 #

利用CIGAR字符串固定为数字+操作符交替的结构，直接拆分所有单元后按位置计算：

1. 将字符串拆分为数字+操作符的独立单元
2. 提取每个单元的数值与操作符，定位所有I的位置
3. Output_1取第一个I之前所有单元的数值和
4. Output_2取第二个I之前所有单元的数值和（自动包含前一个I对应的数字）

代码实现 #

calc_I_multi <- function(cigar_str) {
  # 拆分所有CIGAR单元
  units <- str_extract_all(cigar_str, "\\d+[A-Z]")[[1]]
  # 拆分数值与操作符
  nums <- as.numeric(str_remove(units, "[A-Z]"))
  ops <- str_extract(units, "[A-Z]")
  # 定位所有I的位置
  I_pos <- which(ops == "I")
  
  Output_1 <- ifelse(length(I_pos) >= 1, sum(nums[1:(I_pos[1]-1)]), 0)
  Output_2 <- ifelse(length(I_pos) >= 2, sum(nums[1:(I_pos[2]-1)]), NA_real_)
  
  return(tibble(Output_1, Output_2))
}

# 测试进阶示例
df2 <- data.frame(String = c("5M10I200M20I","100M2D3I105M1I10M"))
df2 <- df2 %>% 
  rowwise() %>% 
  mutate(calc_I_multi(String))

输出结果 #

# A tibble: 2 × 3
# Rowwise: 
  String             Output_1 Output_2
  <chr>                 <dbl>    <dbl>
1 5M10I200M20I              5      215
2 100M2D3I105M1I10M       102      210

完全符合预期输出。

内容的提问来源于stack exchange，提问作者JREN_OP