学员提了个问题，以下这个GEO的样本名称，处理和对照夹杂，如何获取样本名称呢？
一种方法就是，人工输入，最直接，不过，这里有192个样本。事实上当一件事情重复三次后，就应当停下来想一想，有没有更简单的方法。
肯定有！正则表达式就是做这个事情的啊，我们有一次在做探针id转化的时候已经用过了。
正则表达式是我们认识世界的哲学
但是，在很长一段时间内，我是不会正则表达式的，我用的是tidyr包中的分列，只要不断分和取舍，就能获得想要的列，也就是隐藏着的case和control。
使用tidyr中的separate来处理
那我们就操作一下：
复制信息粘贴为txt，
读入R语言，并且命名。
data <- data.table::fread("gsm_group.txt",data.table = F,header = F)
names(data) <- c("GSM","group")
现在数据是这个样子的：
切割两次，第一次以_blood_作为分隔符，一分为二，留取后面的内容，再以 _切割以此，获取前面的内容就可以了
library(dplyr)
library(tidyr)
metadata <- data %>%
separate(group,into = c("drop","group"),sep = "_blood_") %>%
select(-drop) %>%
separate(group,into = c("group","drop"),sep = "_") %>%
select(-drop)
现在我们就获得了想要的数据：
使用正则表达式来处理
如果这件事情用正则表达式，更加简单，stringr这个包里面的str_match函数是我的最爱，因为他可以返回括号中的内容，做到精确匹配和返回。
library(stringr)
group <- str_match(data$group,"whole_blood_(.*)_.*")
metadata <- data.frame(GSM=data$GSM,group=group[,2])
解释一下，whole_blood_(.*)_.*是什么意思。正则表达式，代表的是我们观察世界的模式。举个例子，"whole_blood_control_33",每一个样本名称都是这样的，总结一下就是，
- 先出现
whole_blood_ - 再出现一串字符
control - 后面跟着下划线
_ - 最后跟这一串字符结束
33
用点好代表任何字符，用*号代表出现0次或者多次，那么刚才的模式就可以写成whole_blood_.*_.*。 因为我们需要的是两个下滑线中间的部分，所以给他一个括号，str_match就会识别并返回。此时模式就写出了这样whole_blood_(.*)_.*。
结果是一模一样的。
学习字符串stringr
而我学习正则表达式就是从这个最爱的函数str_match开始的，stringr包中还有好几个函数，不过一直觉得很混乱，函数名字容易混淆，直到遇到了下面的图。
模式用pattern来表示，他把正则表达式在字符串的功能分为四个方面，分别是
- 查找：Detect pattern，确定有没有
- 定位：Locate pattern， 返回起止位置
- 取回：Extract pattern, 返回匹配的条目
- 替换：Replace pattern，我们可以替换匹配的模式，返回替换后的结果
总结一下就是一下几个函数：
我们以此讲一下这几个函数的使用：
创建一个需要练习的字符串
strings <- c(
"apple",
"219 733 8965",
"329-293-8753",
"Work: 579-499-7527; Home: 543.355.3679"
)
再创建一个可以匹配电话号码的模式
# [2-9][0-9]{2} 三个数字，第一个数字不为零
# [- .] -或者.号
# [0-9]{3} 三个数字
# [0-9]{4} 四个数字
pattern <- "([2-9][0-9]{2})[- .]([0-9]{3})[- .]([0-9]{4})"
用str_view函数学习正则表达式
这个函数是用来学习正则表达式的
str_view(strings, pattern)
返回的结果，以图示化展示模式匹配的结果
以下仅仅通过更改函数名称，即可返回不同的结果
1.查找
str_detect，从strings中检测能否和pattern匹配，返回的是逻辑值，有点像grepl
str_detect(strings, pattern)
结合str_view的结果，表示，2，3，4确实匹配到了结果。
2.定位
str_locate，从strings中检测能否和pattern匹配，返回匹配的起止位置
str_locate(strings, pattern)
3.取回
这个又分为三个层面,层层递进
第一，str_subset返回的是匹配到的原始条目
str_subset(strings, pattern)
第二，
str_extract返回的是匹配到的模式
str_extract(strings, pattern)
第三，
str_match返回的是数据框第一列是str_extract的数据，后面依次是括号中的内容，模式中有多少个(),就返回多少列。本例中有三对小括号。
str_match(strings, pattern)
4.替换
str_replace从strings中能够精确匹配pattern的内容，并替换为''XXX-XXX-XXXX''(此处自定义)
str_replace(strings, pattern, "XXX-XXX-XXXX")
stringr这个包中剩下的函数，十分容易理解，可以参考这个帖子自行学习。
https://cran.r-project.org/web/packages/stringr/vignettes/stringr.html
若此，我们就多了一个新技能，最爱str_match。这时候限制我们的只有看世界的模式了，不过，那是哲学。
网友评论