如何使用较低的情况敏感性作为因素和外观功能将R分开R中的列

Question

我在R中有一个大型数据框，其中由单列中的较低情况和大写字母组成。

df1 <- data.frame(a = c('GCCTTGATTTTTTGGCGGGGACCGTcatGGCGTCGC', 'GATTTTTTGGCGGGGACCGTcatGGCGTCGC', 'TCACCACCATCtCATTCTGC', 'ACTGGTTCCAcCAGCGGGTCACGAC'), 
                  stringsAsFactors = FALSE)

我希望输出将所有“上案字母”带到任何下部案例字母的左侧；即，类似于外观功能的功能。

例如，

GCCTTGATTTTTTTTTTTTGGGGGGACCGTCATGGCGTCGC将成为Gccttgattttttttttgggggggggt gattttttttggggggggcgtcatggcgtcgc将变成gatttttttgggggggaCggt ACTGGTTCCACCAGGGGTCACGAC将成为ActGGTTCCA，

我只对较低案例字符的第一个实例的左侧的大写字符感兴趣。如果没有较低的情况，我也希望代码不掉落。

我尝试查看： case 分裂字符串 但是我似乎无法将其调整以寻找上层案例。

非常感谢您的帮助。

Answer 1

代码：

library(tidyverse)

df1 <- data.frame(a = c('GCCTTGATTTTTTGGCGGGGACCGTcatGGCGTCGC', 'GATTTTTTGGCGGGGACCGTcatGGCGTCGC', 'TCACCACCATCtCATTCTGC', 'ACTGGTTCCAcCAGCGGGTCACGAC', 'BAARA'), 
                  stringsAsFactors = FALSE)
df1


df1$a <- str_trim(str_extract(df1$a , "([:upper:]|[:space:]){2,}"))
df1

输出：

                          a
1 GCCTTGATTTTTTGGCGGGGACCGT
2      GATTTTTTGGCGGGGACCGT
3               TCACCACCATC
4                ACTGGTTCCA
5                     BAARA    #This one not having any lower case charater from the begining

放置Na，其中字符串没有任何较低的案例字符。

 for (i in 1 :nrow(df1)){  
    if(is.na(str_extract(df1[i,'a'], "([:lower:]|[:space:]){1,}"))) 
       {df1[i,'a'] <- NA}
    else 
       {df1[i,'a'] <- str_trim(str_extract(df1[i,'a'] , "([:upper:]|[:space:]){2,}"))}
     df1[i,'b'] <- df1[i,'a']   
    }
 df1

输出：

                          a
1 GCCTTGATTTTTTGGCGGGGACCGT
2      GATTTTTTGGCGGGGACCGT
3               TCACCACCATC
4                ACTGGTTCCA
5                      <NA>

Answer 2

sub("([A-Z]+)[a-z].*", "\\1", df1$a)

# [1] "GCCTTGATTTTTTGGCGGGGACCGTatGGCGTCGC"
# [2] "GATTTTTTGGCGGGGACCGTatGGCGTCGC"     
# [3] "TCACCACCATCCATTCTGC"                
# [4] "ACTGGTTCCACAGCGGGTCACGAC"

Answer 3

您可以将sub与[Az]。后。

sub("[a-z].*", "", df1$a)
#sub("[[:lower:]].*", "", df1$a) #Alternative
#[1] "GCCTTGATTTTTTGGCGGGGACCGT" "GATTTTTTGGCGGGGACCGT"     
#[3] "TCACCACCATC"               "ACTGGTTCCA"               

设置为NA没有较低情况：

df1 <- rbind(df1, "ABC")               #Add without lower case
is.na(df1$a) <- !grepl("[a-z]", df1$a) #set NA where no lower case
sub("[a-z].*", "", df1$a)
#[1] "GCCTTGATTTTTTGGCGGGGACCGT" "GATTTTTTGGCGGGGACCGT"     
#[3] "TCACCACCATC"               "ACTGGTTCCA"               
#[5] NA                         

Answer 4

您可以使用带有正面lookahead Regex的代码行（将所有内容捕获到第一个较低的情况），因此您无需处理na's。是否有比赛。

stringr::str_extract(df1$a, ".+?(?=[a-z])")

#[1] "GCCTTGATTTTTTGGCGGGGACCGT" "GATTTTTTGGCGGGGACCGT"      "TCACCACCATC"              
#[4] "ACTGGTTCCA"                NA    

按照评论中的要求添加新列B中的结果：

df1 |> dplyr::mutate(b = stringr::str_extract(a, ".+?(?=[a-z])"))

#                                      a                         b
# 1 GCCTTGATTTTTTGGCGGGGACCGTcatGGCGTCGC GCCTTGATTTTTTGGCGGGGACCGT
# 2      GATTTTTTGGCGGGGACCGTcatGGCGTCGC      GATTTTTTGGCGGGGACCGT
# 3                 TCACCACCATCtCATTCTGC               TCACCACCATC
# 4            ACTGGTTCCAcCAGCGGGTCACGAC                ACTGGTTCCA
# 5                                BAARA                      <NA>