R语言中使用零宽断言分割特定格式字符串的实现问题

我们需要处理两类字符串的分割需求：

1. 对字符串 test <- 'chr1:949920-950500_ENSG_00000187583'，分割后期望得到：

   'chr1:949920-950500'  'ENSG_00000187583'
   

2. 对字符串 "chr1:949920-950500_P16"，分割后期望得到：

   "chr1:949920-950500"    "P16"
   

此前尝试以下代码处理第一类字符串，但未达预期：

strsplit(test, '_(?<=ENS)', perl = TRUE)
# 输出结果：
# [[1]]
# [1] 'chr1:949920-950500_ENSG_00000187583'

原正则表达式的问题在于使用了正向回顾断言(?<=ENS)，它试图匹配ENS之后的下划线，但原字符串中ENS是ENSG的前缀，下划线在ENSG之前，因此断言不生效，分割失败。

观察两类字符串的规律：前半部分是染色体区域（包含:和-，无下划线），后半部分是标识内容（从最后一个下划线开始）。因此只需匹配最后一个下划线即可完成分割。

可以使用正向前瞻断言实现，正则表达式为_(?=[^_]+$)，具体解释：

• _：匹配目标下划线
• (?=[^_]+$)：正向前瞻验证，确保下划线后的内容直到字符串结尾不再包含其他下划线，即锁定最后一个下划线。

代码示例 #

处理第一类字符串：

test1 <- 'chr1:949920-950500_ENSG_00000187583'
strsplit(test1, '_(?=[^_]+$)', perl = TRUE)
# 输出结果：
# [[1]]
# [1] "chr1:949920-950500" "ENSG_00000187583"

处理第二类字符串：

test2 <- "chr1:949920-950500_P16"
strsplit(test2, '_(?=[^_]+$)', perl = TRUE)
# 输出结果：
# [[1]]
# [1] "chr1:949920-950500" "P16"

若不想依赖Perl正则，也可通过sub替换最后一个下划线为特殊分隔符，再执行分割：

strsplit(sub('_(?=[^_]+$)', '|', test1, perl = TRUE), '|')

内容的提问来源于stack exchange，提问作者zhang