在R中用正则表达式提取肽段字符串生成数据框/列表的方法

看起来你已经明确了需求，但刚接触R的字符串处理确实容易踩坑，尤其是正则表达式和多匹配项的处理。我来帮你一步步实现想要的结果：

需求回顾 #

我们需要对每个肽段字符串，针对每个(数字)括号：

1. 提取括号左侧最多5个连续字母（从括号往前取，不够5个就全取）
2. 提取括号右侧最多5个连续字母（从括号往后取，不够5个就全取）
3. 将左右两部分拼接，每个括号对应一列，不足的列用NA填充

解决方案（基础R版本，无需额外包） #

如果你不想安装额外的包，用基础R就能完成：

# 原始数据
peptide <- c("aaa(0.011)bbb(0.989)ccc","aaa(1)bbbccc","aaabbb(0.15)ccc(0.85)ddd", "aaabbb(0.75)cc(0.24)ddd(0.01)")

# 定义处理单个肽段字符串的函数
process_peptide <- function(s) {
  # 第一步：移除所有括号及其中的数字，得到纯字母字符串
  s_clean <- gsub("\\(\\d+\\.?\\d*\\)", "", s)
  # 第二步：按括号分割字符串，得到括号之间的字母片段
  fragments <- strsplit(s, "\\(\\d+\\.?\\d*\\)")[[1]]
  # 去掉空片段（比如最后一个括号后面没有字母的情况）
  fragments <- fragments[fragments != ""]
  # 第三步：计算每个括号在纯字母字符串中的分割点（累积字母长度）
  split_points <- cumsum(nchar(fragments))
  # 最后一个片段后面没有括号，所以去掉最后一个累积值
  split_points <- split_points[-length(split_points)]
  
  # 如果没有括号，返回空向量
  if (length(split_points) == 0) return(character(0))
  
  # 第四步：对每个分割点提取左右字母并拼接
  result <- character(length(split_points))
  total_chars <- nchar(s_clean)
  
  for (i in seq_along(split_points)) {
    k <- split_points[i]
    # 左侧：从k往前最多取5个字母，起始位置不能小于1
    left_start <- max(1, k - 4)
    left_part <- substr(s_clean, left_start, k)
    # 右侧：从k+1往后最多取5个字母，结束位置不能超过总长度
    right_end <- min(k + 5, total_chars)
    right_part <- substr(s_clean, k + 1, right_end)
    # 拼接结果
    result[i] <- paste0(left_part, right_part)
  }
  
  return(result)
}

# 对所有肽段应用处理函数
result_list <- lapply(peptide, process_peptide)

# 找到最长的结果长度，用来统一列数
max_col <- max(sapply(result_list, length))

# 将每个结果补全到max_col长度，不足的用NA填充
result_list_padded <- lapply(result_list, function(x) {
  length(x) <- max_col
  x
})

# 转换为数据框并命名列
final_df <- as.data.frame(do.call(rbind, result_list_padded))
names(final_df) <- paste0("col", 1:max_col)

# 查看结果
print(final_df)

运行结果 #

col1       col2    col3
1    aaabbbcc  aabbbccc    <NA>
2    aaabbbcc      <NA>    <NA>
3 aabbbcccdd bbcccddd    <NA>
4 aabbbccddd bbbccddd ccddd

为什么你的原始代码不对？ #

你之前用sub函数有两个问题：

1. sub只会处理第一个匹配项，无法处理多个括号的情况；如果要处理所有匹配，应该用gsub，但这里sub/gsub的思路不适合提取多组结果。
2. 你的正则表达式.*([[:print:]]{5})\\(.*是贪婪匹配，会直接跳到字符串末尾找最后一个符合条件的5个字符，而不是每个括号前的字符，所以得到的结果完全不符合预期。

进阶版本（用stringr包更简洁） #

如果你愿意用stringr包（R中最常用的字符串处理工具），代码会更简洁：

install.packages("stringr")
library(stringr)

process_peptide_str <- function(s) {
  s_clean <- str_remove_all(s, "\\(\\d+\\.?\\d*\\)")
  fragments <- str_split(s, "\\(\\d+\\.?\\d*\\)")[[1]]
  fragments <- fragments[fragments != ""]
  split_points <- cumsum(nchar(fragments))[-length(fragments)]
  
  if (length(split_points) == 0) return(character(0))
  
  map_chr(split_points, function(k) {
    left <- substr(s_clean, max(1, k-4), k)
    right <- substr(s_clean, k+1, min(k+5, nchar(s_clean)))
    paste0(left, right)
  })
}

result_list <- lapply(peptide, process_peptide_str)

# 用data.table转成数据框（自动补NA）
install.packages("data.table")
library(data.table)
final_df <- rbindlist(lapply(result_list, function(x) as.data.table(t(x))), fill = TRUE)
setnames(final_df, paste0("col", 1:ncol(final_df)))

这个版本的逻辑和基础R完全一致，只是用stringr的函数简化了字符串操作，用data.table更方便地处理列表转数据框的问题。

内容的提问来源于stack exchange，提问作者Wera