根据子字符串的长度过滤一维字符向量

Posted 2023-02-14

【中文标题】根据子字符串的长度过滤一维字符向量

【英文标题】：filter 1D character vector according to length of substrings

【发布时间】：2022-01-03 16:32:04

【问题描述】：

我有这个字符向量：

protein = "ARTKQTARKSTGGKAPRKQLATKAARKSAPATGGVKKPHRYRPGTVALREIRRYQKSTELLIRKLPFQRLVREIAQDFKTDLRFQSSAVMALQEACEAYLVGLFEDTNLCAIHAKRVTIMPKDIQLARRIRGERA"

我想根据字母 R 的出现来分片。

peptide_fragments <- str_split(protein, "(?<=[R])")

现在从生成的片段中，我想省略以下子字符串：

不要包含字母 K

然后从剩余的子串中省略：

字符长度小于6的。

【问题讨论】：

您的预期结果是什么？

【参考方案1】：

我们可以尝试使用纯 R 正则表达式方法：

protein <- "ARTKQTARKSTGGKAPRKQLATKAARKSAPATGGVKKPHRYRPGTVALREIRRYQKSTELLIRKLPFQRLVREIAQDFKTDLRFQSSAVMALQEACEAYLVGLFEDTNLCAIHAKRVTIMPKDIQLARRIRGERA"
parts <- strsplit(protein, "(?<=R)", perl=TRUE)[[1]]
output <- grep("^(?=.*K).6,$", parts, value=TRUE, perl=TRUE)
output

[1] "TKQTAR"                            "KSTGGKAPR"                        
[3] "KQLATKAAR"                         "KSAPATGGVKKPHR"                   
[5] "YQKSTELLIR"                        "KLPFQR"                           
[7] "EIAQDFKTDLR"                       "FQSSAVMALQEACEAYLVGLFEDTNLCAIHAKR"
[9] "VTIMPKDIQLAR"

【讨论】：

这也完成了工作。谢谢！

【参考方案2】：

如果你想在 "R" 之后拆分：

temp <-  unlist(str_split(protein, "(?<=R)"))
res <- temp[grepl("K", temp) & !nchar(temp) < 6]

结果：

res
[1] "TKQTAR"                            "KSTGGKAPR"                        
[3] "KQLATKAAR"                         "KSAPATGGVKKPHR"                   
[5] "YQKSTELLIR"                        "KLPFQR"                           
[7] "EIAQDFKTDLR"                       "FQSSAVMALQEACEAYLVGLFEDTNLCAIHAKR"
[9] "VTIMPKDIQLAR" 

【讨论】：

IIRC OP 想要拒绝任何序列不具有 K 或长度小于 6。

这工作得很好。

如果是，请考虑投票和/或接受答案。