pisahkan kolom karakter dan dapatkan nama bidang dalam string

Saya perlu membagi kolom yang berisi informasi menjadi beberapa kolom.
Saya akan menggunakan tstrsplittetapi jenis informasi yang sama tidak dalam urutan yang sama di antara baris dan saya perlu mengekstrak nama kolom baru dalam variabel. Penting untuk diketahui: mungkin ada banyak informasi (bidang untuk menjadi variabel baru) dan saya tidak tahu semuanya, jadi saya tidak ingin solusi "bidang demi bidang".

Di bawah ini adalah contoh dari apa yang saya miliki:

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

Dan saya ingin mendapatkan:

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

Cara paling mudah untuk mendapatkan itu akan sangat dihargai! ( Catatan: Saya tidak mau menggunakan cara dplyr / tidyr )

Menggunakan regexdan stringipaket:

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

Sunting: Untuk mendapatkan jenis yang benar, tampaknya (?) type.convert()Dapat digunakan:

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

Saya menduga data Anda berasal dari file VCF , jika demikian ada alat khusus untuk masalah seperti itu - bcftools .

Mari kita buat contoh file VCF untuk pengujian:

# 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

Sekarang kita bisa menggunakan bcftools . Di sini sebagai contoh, kami menetapkan AF dan DP dari kolom INFO :

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

Lihat manual untuk opsi permintaan lainnya.

Kita dapat memecah ";"kemudian membentuk kembali lebar-ke-panjang, lalu membelah lagi "=", kemudian membentuk kembali ke panjang-ke-lebar:

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

Versi yang ditingkatkan / lebih siap pakai:

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")]

Untuk saat ini, saya berhasil mendapatkan apa yang saya inginkan dengan kode berikut:

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

Dua opsi untuk meningkatkan baris di atas, terima kasih kepada @ A5C1D2H2I1M1N2O1R2T1 (yang memberi mereka komentar):

. dengan ganda cSplitsebelum dcast:

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

. dengan cSplit/ trstrplitdan dcastbukannya reshape:

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

Begini cara saya melakukannya:

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

^{Dibuat pada 2019-11-29 oleh paket reprex (v0.3.0)}

Anda dapat menggunakan panggilan terpisah untuk subuntuk setiap bidang yang diekstraksi yang diinginkan, misalnya untuk type:

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