tách các cột ký tự và lấy tên của trường trong chuỗi

Tôi cần chia một cột chứa thông tin thành nhiều cột.
Tôi sẽ sử dụng tstrsplitnhưng cùng loại thông tin không theo cùng một thứ tự giữa các hàng và tôi cần trích xuất tên của cột mới trong biến. Điều quan trọng cần biết: có thể có nhiều mẩu thông tin (các trường để trở thành biến mới) và tôi không biết tất cả chúng, vì vậy tôi không muốn có giải pháp "theo trường".

Dưới đây là một ví dụ về những gì tôi có:

library(data.table)

myDT <- structure(list(chr = c("chr1", "chr2", "chr4"), pos = c(123L,
                  435L, 120L), info = c("type=3;end=4", "end=6", "end=5;pos=TRUE;type=2"
                  )), class = c("data.table", "data.frame"), row.names = c(NA,-3L))

#    chr pos                  info
#1: chr1 123          type=3;end=4
#2: chr2 435                 end=6
#3: chr4 120 end=5;pos=TRUE;type=2

Và tôi muốn nhận được:

#    chr pos end  pos type
#1: chr1 123   4 <NA>    3
#2: chr2 435   6 <NA> <NA>
#3: chr4 120   5 TRUE    2

Một cách đơn giản nhất để có được điều đó sẽ được nhiều đánh giá cao! ( Lưu ý: Tôi không sẵn sàng đi theo cách dplyr / tidyr )

Sử dụng regexvà các stringigói:

setDT(myDT) # After creating data.table from structure()

library(stringi)

fields <- unique(unlist(stri_extract_all(regex = "[a-z]+(?==)", myDT$info)))
patterns <- sprintf("(?<=%s=)[^;]+", fields)
myDT[, (fields) := lapply(patterns, function(x) stri_extract(regex = x, info))]
myDT[, !"info"]

    chr  pos type end
1: chr1 <NA>    3   4
2: chr2 <NA> <NA>   6
3: chr4 TRUE    2   5

Chỉnh sửa: Để có được loại chính xác, có vẻ như (?) type.convert()Có thể được sử dụng:

myDT[, (fields) := lapply(patterns, function(x) type.convert(stri_extract(regex = x, info), as.is = TRUE))]

Tôi đoán dữ liệu của bạn đến từ tệp VCF , nếu vậy có một công cụ chuyên dụng cho các vấn đề như vậy - bcftools .

Hãy tạo tệp VCF mẫu để thử nghiệm:

# subset some data from 1000genomes data
tabix -h ftp://ftp-trace.ncbi.nih.gov/1000genomes/ftp/release/20100804/ALL.2of4intersection.20100804.genotypes.vcf.gz 17:1471000-1472000 > myFile.vcf
# zip it and index:
bgzip -c myFile.vcf > myFile.vcf.gz
tabix -p vcf myFile.vcf.gz

Bây giờ chúng ta có thể sử dụng bcftools . Dưới đây là một ví dụ, chúng tôi đang đặt lại AF và DP từ cột INFO :

bcftools query -f '%CHROM %POS %INFO/AF %INFO/DP \n' myFile.vcf.gz 
17  1471199  1916 0.088
17  1471538  2445 0.016
17  1471611  2733 0.239
17  1471623  2815 0.003
17  1471946  1608 0.007
17  1471959  1612 0.014
17  1471975  1610 0.179

Xem hướng dẫn để biết thêm các tùy chọn truy vấn .

Chúng ta có thể chia nhỏ ";"sau đó định hình lại từ rộng đến dài, sau đó phân chia lại "=", sau đó định hình lại thành dài:

dcast(
  melt(dt[,  paste0("col", 1:3) := tstrsplit(info, split = ";") ],
       id.vars = c("chr", "pos", "info"))[, -c("info", "variable")][
         ,c("x1", "x2") := tstrsplit(value, split = "=")][
           ,value := NULL][ !is.na(x1), ],
  chr + pos ~ x1, value.var = "x2")

#     chr pos end  pos type
# 1: chr1 123   4 <NA>    3
# 2: chr2 435   6 <NA> <NA>
# 3: chr4 120   5 TRUE    2

Một phiên bản cải tiến / dễ đọc hơn:

dt[, paste0("col", 1:3) := tstrsplit(info, split = ";")
   ][, melt(.SD, id.vars = c("chr", "pos", "info"), na.rm = TRUE)
     ][, -c("info", "variable")
       ][, c("x1", "x2") := tstrsplit(value, split = "=")
         ][, dcast(.SD, chr + pos ~ x1, value.var = "x2")]

Hiện tại, tôi đã có được những gì tôi muốn với đoạn mã sau:

newDT <- reshape(splitstackshape::cSplit(myDT, "info", sep=";", "long")[, 
                  c(.SD, tstrsplit(info, "="))], 
                 idvar=c("chr", "pos"), direction="wide", timevar="V4", drop="info")
setnames(newDT, sub("V5\\.", "", names(newDT)))

newDT
#    chr pos type end  pos
#1: chr1 123    3   4 <NA>
#2: chr2 435 <NA>   6 <NA>
#3: chr4 120    2   5 TRUE

Hai tùy chọn để cải thiện các dòng trên, nhờ @ A5C1D2H2I1M1N2O1R2T1 (người đã cho chúng trong các nhận xét):

. với một gấp đôi cSplittrước dcast:

cSplit(cSplit(myDT, "info", ";", "long"), "info", "=")[, dcast(.SD, chr + pos ~ info_1, value.var = "info_2")]

. với cSplit/ trstrplitvà dcastthay vì reshape:

cSplit(myDT, "info", ";", "long")[, c("t1", "t2") := tstrsplit(info, "=", fixed = TRUE)][, dcast(.SD, chr + pos ~ t1, value.var = "t2")]

Đây là cách tôi làm:

library(data.table)

myDT <- structure(list(chr = c("chr1", "chr2", "chr4"), pos = c(123L,
                                                                435L, 120L), info = c("type=3;end=4", "end=6", "end=5;pos=TRUE;type=2"
                                                                )), class = c("data.table", "data.frame"), row.names = c(NA,-3L))

R_strings <- paste0("list(", chartr(";", ",", myDT$info),")")
lists <- lapply(parse(text=R_strings),eval)
myDT[,info:=NULL]
myDT <- cbind(myDT,rbindlist(lists, fill = TRUE))
myDT
#>     chr pos type end  pos
#> 1: chr1 123    3   4   NA
#> 2: chr2 435   NA   6   NA
#> 3: chr4 120    2   5 TRUE

^{Được tạo vào ngày 2019-11-29 bởi gói reprex (v0.3.0)}

Bạn có thể sử dụng các lệnh gọi riêng subcho từng trường được trích xuất mong muốn, ví dụ type:

myDT$type <- sub("^.*\\btype=([^;]+)\\b.*$", "\\1", myDT$info)