R语言中筛选含NM_/GE_开头内容的文件索引失败排查

嘿，我来帮你排查下问题所在，以及怎么解决：

第一个问题：正则表达式匹配的位置不对 #

你写的^NM_|^GE_是匹配整行开头的NM/GE，但看你的第三个列表里的行，比如"1,NM_012429,6.44764696592035,0.84120306786724"，NM_是在逗号后面，不是行首，所以这个正则根本匹配不到该行。

你实际需要的是匹配任意位置的NM_/GE_开头的字段，也就是要么在行首，要么在逗号之后。可以把正则改成：

"(^|,)NM_|(^|,)GE_"

这个正则的意思是：匹配行首或者逗号后面跟着NM_或者GE_的内容，这样就能覆盖前两个列表里行首的NM_，以及第三个列表里逗号后的NM_了。

第二个问题：lapply返回的是列表，没法直接用which筛选 #

lapply(lines, ...)返回的是一个由逻辑值组成的列表，而which(...) == TRUE只能处理逻辑向量。直接用列表和单个TRUE比较，会得到一个逻辑值的列表，which处理这种列表就会返回integer(0)，这就是你看到的结果。

解决办法是用sapply代替lapply，它会把列表转换成逻辑向量，然后再用which取索引。

修正后的完整代码 #

把这两点结合起来，代码就变成这样：

# 定义匹配字段开头的NM_/GE_的正则
match_pattern <- "(^|,)NM_|(^|,)GE_"

# 用sapply得到每个文件的匹配结果（逻辑向量），再取索引
which(sapply(lines, function(x) any(grepl(match_pattern, x, ignore.case = TRUE))))

测试你的示例数据，这个代码会返回[1] 1 2 3，完全符合你的预期。

如果你的需求更精准——比如只匹配ID字段里的NM/GE开头内容（注意第三个文件的ID是第二个字段，前两个是第一个字段），也可以先拆分每行的字段再判断，不过如果只是要找出包含目标内容的文件索引，上面的代码就足够啦。

内容的提问来源于stack exchange，提问作者AwaitedOne