2

我有一个带有列的数据框：

nf1$Info = AC=1;AF=0.500;AN=2;BaseQRankSum=-1.026e+00;ClippingRankSum=-1.026e+00;DP=4;ExcessHet=3.0103;FS=0.000;MLEAC=1;MLEAF=0.500;MQ=28.25;MQRankSum=-1.026e+00;QD=10.18;ReadPosRankSum=1.03;SOR=0.693

我正在尝试从此列中提取特定值。

例如，我对“MQRankSum”感兴趣，我使用了：

str_extract(nf1$Info,"[MQRankSum]+=[:punct:]+[0-9]+[.]+[0-9]+")

它返回BaseQRankSum而不是MQRankSum的值。

4

2 回答 2

4

将字符包含在方括号中会创建一个匹配任何已定义字符的字符类，因此[yes]+匹配yyyyyyyyy,eyyyyss等。

您要做的是匹配一个单词MQRankSum, =，然后匹配除 : 以外的任何字符;：

str_extract(nf1$Info,"MQRankSum=[^;]+")

如果您想MQRankSum=从比赛中排除，请使用lookbehind：

str_extract(nf1$Info,"(?<=MQRankSum=)[^;]+")
                      ^^^^^^^^^^^^^^^

正向后视将(?<=MQRankSum=)确保MQRankSum=在当前位置的左侧有文本，并且只有在此之后才会匹配 1 个或多个字符以外的字符;。

于 2018-07-02T09:19:40.213 回答
1

我们可以将INFO列拆分为多个列，然后提取所需的列：

# dummy data
df1 <- data.frame(x = 1:3,
                  info = c("AC=1;AF=0.500;MQRankSum=2;BaseQRankSum=-1.026e+00;ClippingRankSum=-1.026e+00;",
                           "AC=1;AF=0.500;MQRankSum=2;ClippingRankSum=-1.026e+00;DP=4;",
                           "AN=2;BaseQRankSum=-1.026e+00;"),
                  stringsAsFactors = FALSE)

# split INFO into seperate columns
df1_info <- data.table::rbindlist(
  lapply(strsplit(df1$info, ";|="), function(i)
    setNames(data.frame(t(as.numeric(i[ c(FALSE, TRUE) ]))), i[ c(TRUE, FALSE) ])
    ),
  fill = TRUE)

df1_info
#    AC  AF MQRankSum BaseQRankSum ClippingRankSum DP AN
# 1:  1 0.5         2       -1.026          -1.026 NA NA
# 2:  1 0.5         2           NA          -1.026  4 NA
# 3: NA  NA        NA       -1.026              NA NA  2

# extract required column 
df1_info$BaseQRankSum
# [1] -1.026     NA -1.026

VCF信息 标准：

各种站点级别的注释。INFO 字段中包含的注释表示为标签-值对，其中标签和值用等号分隔，即=，对用冒号分隔，即; 如本例所示：
MQ=99.00;MQ0=0;QD=17.94.

于 2018-07-02T10:03:04.567 回答