提问人：netmarson 提问时间：10/26/2023 最后编辑：r2evansnetmarson 更新时间：10/26/2023 访问量：40
改变条件后提取子字符串
Extract substring after varying condition
问：
这是我在这个网站上的第一篇帖子。我目前正在努力根据不同的条件从多个字符串中提取一个子字符串。我正在处理的字符串来自 FASTA 文件，如下所示：
strings <- c("gi|0|gb|MK004980| Bat astrovirus isolate DXRA19 RNA-dependent RNA polymerase gene, partial cds. [DXRA19 (BVI10455)]",
"gi|225381010|gb|FJ571114| Bat astrovirus Tm/Guangxi/LD61/2007 RNA-dependent RNA polymerase (pol) gene, partial cds. [Tm/Guangxi/LD61/2007 (BVI03388)]")
我现在的目标是删除字符串的第一部分（带有“X|Y|Z|A|“）并仅提取特定序列的名称，因此它应该如下所示：
strings_final <- c("Bat astrovirus isolate DXRA19 RNA-dependent RNA polymerase gene, partial cds. [DXRA19 (BVI10455)]",
"Bat astrovirus Tm/Guangxi/LD61/2007 RNA-dependent RNA polymerase (pol) gene, partial cds. [Tm/Guangxi/LD61/2007 (BVI03388)]")
正如你所看到的，要删除的第一个部分在腿上有所不同，唯一一致的部分是四个“|”以及“gi”和“gb”。我知道我可以使用此模式将其删除并仅提取其之后的部分。但是，我目前正在努力在 R 中对此进行编码，因为我不知道使用哪个表达式来适应这种模式，例如 stringr：：str_extract（） 函数。
我将非常感谢您的帮助。
我尝试使用 stringr：：str_extract（） 函数，但我不知道我应该放入哪种模式来解决这个问题。
答：
0赞
r2evans
10/26/2023
#1
sub(".*\\| *", "", strings)
# [1] "Bat astrovirus isolate DXRA19 RNA-dependent RNA polymerase gene, partial cds. [DXRA19 (BVI10455)]"
# [2] "Bat astrovirus Tm/Guangxi/LD61/2007 RNA-dependent RNA polymerase (pol) gene, partial cds. [Tm/Guangxi/LD61/2007 (BVI03388)]"
正则表达式：
.*任何东西（或什么都没有）\\|文字管道符号，需要转义它，否则它是正则表达式运算符*零个或多个空格
这有效地删除了找到的最后一个管道符号以及紧随其后的任何空格（如果有）。 不同的是，只进行一次这样的替换并退出，在这种情况下，这就是我们所需要的。subgsubsub
替代方案（虽然不是我的首选）：也可以假设所有字符串都具有相同数量的 -symbols：read.table|
trimws(read.table(text = strings, sep = "|")[,5])
# [1] "Bat astrovirus isolate DXRA19 RNA-dependent RNA polymerase gene, partial cds. [DXRA19 (BVI10455)]"
# [2] "Bat astrovirus Tm/Guangxi/LD61/2007 RNA-dependent RNA polymerase (pol) gene, partial cds. [Tm/Guangxi/LD61/2007 (BVI03388)]"
我们需要删除 和 之间的空格。trimws|Bat
评论