web-dev-qa-db-fra.com

Chaîne de sous-ensemble en comptant des caractères spécifiques

J'ai les chaînes suivantes:

strings <- c("ABBSDGNHNGA", "AABSDGDRY", "AGNAFG", "GGGDSRTYHG") 

Je veux couper la chaîne dès que le nombre d'occurrences de A, G et N atteint une certaine valeur, disons 3. Dans ce cas, le résultat devrait être:

some_function(strings)

c("ABBSDGN", "AABSDG", "AGN", "GGG") 

J'ai essayé d'utiliser les expressions stringi, stringr et regex mais je n'arrive pas à le comprendre. 

17
Nivel

Vous pouvez accomplir votre tâche avec un simple appel à str_extract depuis le stringr package:

library(stringr)

strings <- c("ABBSDGNHNGA", "AABSDGDRY", "AGNAFG", "GGGDSRTYHG")

str_extract(strings, '([^AGN]*[AGN]){3}')
# [1] "ABBSDGN" "AABSDG"  "AGN"     "GGG"

La partie [^AGN]*[AGN] du motif regex indique de rechercher zéro ou plusieurs caractères consécutifs autres que A, G ou N, suivis d'une instance de A, G ou N. L'enroulement supplémentaire avec des parenthèses et des accolades, comme ceci ([^AGN]*[AGN]){3}, signifie rechercher ce modèle trois fois de suite. Vous pouvez modifier le nombre d'occurrences de A, G, N que vous recherchez en modifiant le nombre entier entre accolades:

str_extract(strings, '([^AGN]*[AGN]){4}')
# [1] "ABBSDGNHN"  NA           "AGNA"       "GGGDSRTYHG"

Il existe plusieurs façons d’accomplir votre tâche à l’aide des fonctions de base R. L’une consiste à utiliser regexpr suivi de regmatches:

m <- regexpr('([^AGN]*[AGN]){3}', strings)
regmatches(strings, m)
# [1] "ABBSDGN" "AABSDG"  "AGN"     "GGG"

Vous pouvez également utiliser sub:

sub('(([^AGN]*[AGN]){3}).*', '\\1', strings)
# [1] "ABBSDGN" "AABSDG"  "AGN"     "GGG"
9
clbieganek

Voici une option de base R utilisant strsplit

sapply(strsplit(strings, ""), function(x)
    paste(x[1:which.max(cumsum(x %in% c("A", "G", "N")) == 3)], collapse = ""))
#[1] "ABBSDGN" "AABSDG"  "AGN"     "GGG"

Ou dans la tidyverse

library(tidyverse)
map_chr(str_split(strings, ""), 
    ~str_c(.x[1:which.max(cumsum(.x %in% c("A", "G", "N")) == 3)], collapse = ""))
9
Maurits Evers

Identifiez les positions du motif à l'aide de gregexpr, puis extrayez la n-ième position (3) et sous-chaînes, de 1 à cette n-ième position à l'aide de subset.

nChars <- 3
pattern <- "A|G|N"
# Using sapply to iterate over strings vector
sapply(strings, function(x) substr(x, 1, gregexpr(pattern, x)[[1]][nChars]))

PS:

S'il y a une chaîne qui n'a pas 3 correspondances, elle générera NA, il vous suffit donc d'utiliser na.omit sur le résultat final.

6
PoGibas

Ceci est juste une version sans strsplit de Maurits Evers solution soignée .

sapply(strings,
       function(x) {
         raw <- rawToChar(charToRaw(x), multiple = TRUE)
         idx <- which.max(cumsum(raw %in% c("A", "G", "N")) == 3)
         paste(raw[1:idx], collapse = "")
       })
## ABBSDGNHNGA   AABSDGDRY      AGNAFG  GGGDSRTYHG 
##   "ABBSDGN"    "AABSDG"       "AGN"       "GGG"

Ou, légèrement différent, sans strsplit et paste:

test <- charToRaw("AGN")
sapply(strings,
       function(x) {
         raw <- charToRaw(x)
         idx <- which.max(cumsum(raw %in% test) == 3)
         rawToChar(raw[1:idx])
       })
2
Valentin

Problème intéressant. J'ai créé une fonction (voir ci-dessous) qui résout votre problème. Il est supposé qu'il n'y a que des lettres et aucun caractère spécial dans aucune de vos chaînes.

 reduce_strings = function(str, chars, cnt){

  # Replacing chars in str with "!"
  chars = paste0(chars, collapse = "")
  replacement = paste0(rep("!", nchar(chars)), collapse = "")
  str_alias = chartr(chars, replacement, str) 

  # Obtain indices with ! for each string
  idx = stringr::str_locate_all(pattern = '!', str_alias)

  # Reduce each string in str
  reduce = function(i) substr(str[i], start = 1, stop = idx[[i]][cnt, 1])
  result = vapply(seq_along(str), reduce, "character")
  return(result)
}

# Example call
str = c("ABBSDGNHNGA", "AABSDGDRY", "AGNAFG", "GGGDSRTYHG") 
chars = c("A", "G", "N") # Characters that are counted
cnt = 3 # Count of the characters, at which the strings are cut off
reduce_strings(str, chars, cnt) # "ABBSDGN" "AABSDG" "AGN" "GGG"
0
jollyplatypus