怎么遴选字符串向量中相同字符串？

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

我有一个字符串向量如下：

samples <- c(
       "TCGA-A7-A13E-11A-61R-A12O-13",
       "TCGA-A7-A13F-11A-42R-A12O-13",

       "TCGA-A7-A13G-11A-51R-A13P-13",
       "TCGA-A7-A13E-01A-11R-A27D-13",

       "TCGA-A7-A45U-01A-11R-A12O-13",
       "TCGA-A7-A13G-01A-11R-A13P-13"

)

我的目的是匹配字符的前12位，找到前12位相同的字符串对，且保留该字符串对，如果未找到则删除字符串。比如，第一个字符串："TCGA-A7-A13E-11A-61R-A12O-13"和第四个字符串"TCGA-A7-A13E-01A-11R-A27D-13"满足条件，则保留；而第二个字符串"TCGA-A7-A13F-11A-42R-A12O-13"没能匹配出与之对应的字符串，所以删除。依此类推。最后我期待得到的字符串向量为：

samples <- c(

       "TCGA-A7-A13E-11A-61R-A12O-13",                               , "TCGA-A7-A13G-11A-51R-A13P-13",                                           "TCGA-A7-A13E-01A-11R-A27D-13",                               , "TCGA-A7-A13G-01A-11R-A13P-13"

)

请求大牛给与指导，谢谢！

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：字符串 samples Sample AMPL les

又碰到一个在经管论坛学生信的哈哈哈，我也是。
几个重要函数给你参考，首先是substr，就是把字符串截出来哪几位，duplicated，可以把重复的值标记为true（第一次出现的不被标记），其中关键参数是fromlast，设置为T可以从后面开始识别是否有重复值。
但是作为一个大坑，你要知道TCGA的barcode，是非常复杂的，一份数据中，同一个人（前12位可以保证），可以有2管甚至更多01A的标本，或者同时有01A和01B（这时需要去掉其中一个）；可以同时有01A和02A但是没有11A，或者有06A和11A但是没有01A（这时需要提前筛出，要01和11都有的才纳入考虑）
只是告诉你涉及非常麻烦的筛选，仅靠一次12位的筛选是做不出来的，还要几次01和01A这样的，请谨慎，不贴代码是因为我不确保我的是最合理或者最简单的，甚至不确保是正确的，加油。

zerofung 发表于 2019-7-1 23:55
又碰到一个在经管论坛学生信的哈哈哈，我也是。
几个重要函数给你参考，首先是substr，就是把字符串截出来 ...

谢谢你富有价值回答！

在你的提醒下，我首先提取了01A和11A的样本。在此基础上，通过substr函数对字符串进行剪切，然后利用两次duplicated操作（基于fromLast=T or F）来识别重叠的样本编号，最后利用which函数得到想要的结果。代码如下，如有错误，请指教，再次感谢！

#normal
n_index <- which(as.numeric(substr(samples,14,15)) == 11)
#tumor
t_index <- which(as.numeric(substr(samples,14,15)) == 01 )

samples <- samples[c(n_index, t_index)]

#string processing for the samples name
strsub <- function(temp){
  return(substr(temp,1,12))
}

temp <- unlist(lapply(samples, strsub))

ll <- duplicated(temp, fromLast = T)
lll <- duplicated(temp, fromLast = F)

samples <- samples[c(which(ll==TRUE),which(lll==TRUE))]

anchu 发表于 2019-7-9 22:36
谢谢你富有价值回答！

在你的提醒下，我首先提取了01A和11A的样本。在此基础上，通过substr函数对字符 ...

能满足自己的需求就可以哈，我看了一下，这种方法是大部分情况都没问题的。
详细举例：
1. 某人只有（01B，01C），他没有normal的数据，但你的方法中无法剔除这个案例，因为这个案例也会有duplicated
2. 某人有（01A，01B，11A），那么你的方法中会把三个都保留，有时候处理完发现是奇数个sample
这种情况非常少见，但是做Pancancer的时候还是会碰到，所以我的中间比你多一步，在选出01和11之后，用一次duplicated，把存在两个01的去掉其中一个（就是根据1-15位来判断）
我的具体步骤：
1.挑出所有01和11
2.前15位有重复的只保留一个
3.挑出前12位有重复的

加油！！