如何从向量中删除特定项？

Question

示例向量（基因转录本ID）：

a <- c('MSTRG.7176.1', 'MSTRG.7176.2', 'AT2G26340.2', 'AT2G26355.1')

这是一个长向量的子集，如何删除以“MS”开头的项，然后切掉左侧项的末尾2位数字？

- Donghui HU

---

相关帖子：删除字符串中“.”之后的部分 - zx8754

Answer 1

如果我们完全想避免正则表达式，就像@sindri_baldur提到的那样，我们可以使用。

string <- a[!startsWith(a, "MS")]
substr(string, 1, nchar(string) - 2)

或者使用 grep 和 substr。

string <- grep('^MS',a, invert = TRUE, value = TRUE)
substr(string, 1, nchar(string) - 2)
#[1] "AT2G26340" "AT2G26355"

---

由于我们新增了不少包含基准测试的答案，因此我们将它们全部放到一个长度为400k的向量中。

a <- c('MSTRG.7176.1', 'MSTRG.7176.2', 'AT2G26340.2', 'AT2G26355.1')
a <- rep(a, 100000)

library(microbenchmark)

microbenchmark(
ronak1 = {string <- a[!startsWith(a, "MS")];substr(string, 1, nchar(string) - 2)}, 
ronak2 = {string <- grep('^MS',a, invert = TRUE, value = TRUE);substr(string, 1, nchar(string) - 2)}, 
sotos = {word(a[!str_detect(a, '^MS')], 1, sep = fixed('.'))}, 
thothal = {b1 <- a[!grepl("^MS", a)];gsub("\\.[0-9]$", "", b1)}, 
zx8754 = tools::file_path_sans_ext(a[ !grepl("^MS", a) ]), 
tmfmnk = dirname(chartr(".", "/", a[!grepl("^MS", a)])), 
NelSonGon = {b<-stringi::stri_replace_all(stringi::stri_sub(a,1,-3),regex="^M.*","");b[grepl('\\w+',b)]}
)


#Unit: milliseconds
#      expr        min         lq       mean     median         uq       max neval
#    ronak1   34.75928   38.58217   45.63393   40.32845   44.24355  225.2581   100
#    ronak2   94.10687   96.72758  110.83819   99.26914  105.98822  938.2969   100
#     sotos 1926.21112 2500.27209 2852.43240 2861.61699 3173.10420 4478.7890   100
#   thothal  155.95328  160.62800  169.02275  164.46494  169.32770  218.5033   100
#    zx8754  172.96970  179.03618  186.12374  183.96887  188.06251  234.1895   100
#    tmfmnk  189.29085  195.14593  208.89245  199.47172  204.40604  547.7497   100
# NelSonGon  186.54426  198.29856  226.19221  206.54542  217.92970  948.2535   100

- Ronak Shah

---

你的第二步避免了正则表达式，你可以用 a[!startsWith(a, "MS")] 这样的方法完全避免使用正则表达式。 - s_baldur

@sindri_baldur 对的。也有一个非正则表达式选项是很好的。 - Ronak Shah

我会把使用 startsWith 的第二个答案放到最前面，因为在 10 万个向量中它的速度是两倍快。 - zx8754

@zx8754 完成。知道这点相当有趣。你认为使用正则表达式会让它变慢吗？ - Ronak Shah

没有头绪，帮助页面说它比substring和grepl更快，所以决定测试一下，结果确实很快。但是它消耗的内存是两倍，见下面的基准测试。 - zx8754

Answer 2

这里也有一个stringr的一行代码,

library(stringr)

word(a[!str_detect(a, '^MS')], 1, sep = fixed('.'))
#[1] "AT2G26340" "AT2G26355"

- Sotos

Answer 3

代码

a <- a[!grepl("^MS", a)]
gsub("\\.[0-9]$", "", a)
# [1] "AT2G26340" "AT2G26355"

解释

1. 使用 regex 过滤掉所有以 MS 开头的元素
2. 再次使用 regex 将剩余元素中的点和最后一位数字替换掉

- thothal

Answer 4

由于人类有大约20万个转录本，这里是基准：

最初的回答：

a <- c('MSTRG.7176.1', 'MSTRG.7176.2', 'AT2G26340.2', 'AT2G26355.1')
a <- rep(a, 25000)

library(stringr)

bench::mark(
  x1 = {
    string <- grep('^MS',a, invert = TRUE, value = TRUE)
    substr(string, 1, nchar(string) - 2) },
  x2 = {
    string <- a[!startsWith(a, "MS")]
    substr(string, 1, nchar(string) - 2)},
  x3 = {
    word(a[!str_detect(a, '^MS')], 1, sep = fixed('.'))  
  },
  x4 = {
    gsub("\\.[0-9]$", "", a[ !grepl("^MS", a) ])},
  x5 = {
    tools::file_path_sans_ext(a[ !grepl("^MS", a) ])  
  }
  )

# A tibble: 5 x 14
# expression      min     mean  median     max `itr/sec` mem_alloc  n_gc n_itr total_time result memory  time  gc   
# <chr>      <bch:tm> <bch:tm> <bch:t> <bch:t>     <dbl> <bch:byt> <dbl> <int>   <bch:tm> <list> <list>  <lis> <lis>
# x1           20.3ms   21.3ms    21ms  28.1ms     46.9     1.91MB     1    24      512ms <chr ~ <Rprof~ <bch~ <tib~
# x2           11.7ms   12.6ms  12.3ms  17.8ms     79.3     2.86MB     3    40      505ms <chr ~ <Rprof~ <bch~ <tib~
# x3          668.5ms  668.5ms 668.5ms 668.5ms      1.50   10.54MB     9     1      668ms <chr ~ <Rprof~ <bch~ <tib~
# x4           23.8ms   24.6ms  24.1ms  32.2ms     40.7      2.1MB     1    21      516ms <chr ~ <Rprof~ <bch~ <tib~
# x5           33.8ms   35.2ms  34.7ms  40.9ms     28.4      2.1MB     1    15      528ms <chr ~ <Rprof~ <bch~ <tib~

- zx8754

Answer 5

把它们看作文件名，并且去掉扩展名：

tools::file_path_sans_ext(a[ !grepl("^MS", a) ])
# [1] "AT2G26340" "AT2G26355"

- zx8754

Answer 6

我没有看到sub()和startsWith()的组合，因此

sub(".{2}$", "", a[!startsWith(a, "MS")])
# [1] "AT2G26340" "AT2G26355"

- Rich Scriven

Answer 7

你也可以尝试：

dirname(chartr(".", "/", a[!grepl("^MS", a)]))

[1] "AT2G26340" "AT2G26355"

首先，使用grepl()函数识别以MS开头的情况。其次，使用chartr()将.替换为/。最后，dirname()返回字符串中最后一个/之前的部分。

考虑到可能存在不以MS开头但包含两个或多个小数点的元素，您可以使用：

chartr("/", ".", dirname(chartr(".", "/", a[!grepl("^MS", a)])))

这与第一种可能性相同，但它将剩余的/替换为.。

或者使用gsub()替换chartr()的第二种可能性：

gsub("/", ".", dirname(gsub(".", "/", a[!grepl("^MS", a)], fixed = TRUE)), 
     fixed = TRUE)

- tmfmnk

Answer 8

提供一个 stringi 的可能性：我更喜欢一行代码的解决方案，但也许两行代码的解决方案也足够了。

 b<-stringi::stri_replace_all(stringi::stri_sub(a,1,-3),regex="^M.*","")
b[grepl('\\w+',b)]
#[1] "AT2G26340" "AT2G26355"

- NelsonGon