只保留字符串中的唯一元素r

-1

在基因組學研究中，您經常會有許多帶有重複基因名稱的字符串。我想找到一種有效的方法，只保留一個字符串中的唯一基因名稱。這是一個有效的例子。但是，是不是可以一步完成這個工作，即不必拆分整個字符串，然後必須將這些獨特的元素一起過去？只保留字符串中的唯一元素r

genes <- c("GSTP1;GSTP1;APC") 
a <- unlist(strsplit(genes, ";")) 
paste(unique(a), collapse=";") 
[1] "GSTP1;APC"

2016-07-05 milan

這只是結合成一行：粘貼（唯一（unlist（strsplit（基因），「「）），collapse =」;「））'。 – lmo

我已經看到了這一堆棧：http://stackoverflow.com/questions/20283624/removing-duplicate-words-in-a-string-in-r –

如果你會發現更好的東西，我會很驚訝。除了可以在'strsplit'中增加'fixed = TRUE'來提高效率，還有'stringi :: stri_unique'，聲稱更適合NLP而不是'base :: unique'（但速度要慢得多）。 –

基於這一例子表明，也許

gsub("(\\w+);\\1", "\\1", genes) 
#[1] "GSTP1;APC"

2016-07-06 03:38:18 akrun

謝謝。它對這個例子有效，但是如果你有一個稍微不同的字符串，它將不起作用：c（「A」，「B」，「A」） – milan

另一種是做

unique(unlist(strsplit(genes, ";"))) 
#[1] "GSTP1" "APC"

那麼這應該給你答案

paste(unique(unlist(strsplit(genes, ";"))), collapse = ";") 
#[1] "GSTP1;APC"

2016-07-06 08:10:07 Learner

謝謝，但我需要保持獨特的基因名稱在同一個字符串中，由';'分隔。 – milan

@milan看看更新後的版本，它給你你喜歡的確切輸出 – Learner

回答