Teilen Sie Zeichenspalten und erhalten Sie die Namen der Felder in der Zeichenfolge

Ich muss eine Spalte, die Informationen enthält, in mehrere Spalten aufteilen.
Ich würde verwenden, tstrsplitaber die gleiche Art von Informationen ist nicht in der gleichen Reihenfolge zwischen den Zeilen und ich muss den Namen der neuen Spalte innerhalb der Variablen extrahieren. Wichtig zu wissen: Es kann viele Informationen geben (Felder, die zu neuen Variablen werden), und ich kenne nicht alle, daher möchte ich keine "Feld für Feld" -Lösung.

Unten ist ein Beispiel für das, was ich habe:

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

Und ich würde gerne bekommen:

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

Ein sehr einfacher Weg, dies zu erreichen, wäre sehr dankbar! ( Hinweis: Ich bin nicht bereit, einen dplyr / tidyr-Weg einzuschlagen. )

Verwenden regexund die stringiPakete:

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

Bearbeiten: Um den richtigen Typ zu erhalten, kann anscheinend (?) type.convert()Verwendet werden:

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

Ich vermute, Ihre Daten stammen aus einer VCF-Datei . Wenn ja, gibt es ein spezielles Tool für solche Probleme - bcftools .

Erstellen wir eine Beispiel- VCF- Datei zum Testen:

# 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

Jetzt können wir bcftools verwenden . Hier als Beispiel unterteilen wir AF und DP aus der INFO- Spalte:

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

Weitere Abfrageoptionen finden Sie im Handbuch .

Wir könnten uns aufteilen und ";"dann weit zu lang umformen, dann wieder aufteilen "="und dann wieder zu lang zu weit umformen:

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

Eine verbesserte / besser lesbare Version:

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")]

Im Moment habe ich es geschafft, mit dem folgenden Code das zu bekommen, was ich will:

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

Zwei Optionen zur Verbesserung der obigen Zeilen dank @ A5C1D2H2I1M1N2O1R2T1 (der sie in Kommentaren angegeben hat):

. mit einem Doppel cSplitvor dcast:

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

. mit cSplit/ trstrplitund dcaststatt reshape:

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

So würde ich es machen:

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

^{Erstellt am 29.11.2019 durch das reprex-Paket (v0.3.0)}

Sie können separate Aufrufe subfür jedes gewünschte extrahierte Feld verwenden, z. B type.:

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