我有这样的大数据:
> Data[1:7,1] [1] mature=hsa-miR-5087|mir_Family=-|Gene=OR4F5 [2] mature=hsa-miR-26a-1-3p|mir_Family=mir-26|Gene=OR4F9 [3] mature=hsa-miR-448|mir_Family=mir-448|Gene=OR4F5 [4] mature=hsa-miR-659-3p|mir_Family=-|Gene=OR4F5 [5] mature=hsa-miR-5197-3p|mir_Family=-|Gene=OR4F5 [6] mature=hsa-miR-5093|mir_Family=-|Gene=OR4F5 [7] mature=hsa-miR-650|mir_Family=mir-650|Gene=OR4F5
我想做的是,在每一行中,我想选择字成熟=之后的名字,还有在Gene =之后的单词,然后将它们与
paste(a,b,sep="-")
例如,前两行的预期输出将如下所示:
hsa-miR-5087-OR4F5 hsa-miR-26a-1-3p-OR4F9
所以最终的实现是这样的:
for(i in 1:nrow(Data)){ Data[i,3] <- sub("mature=([^|]*).*Gene=(.*)","\\1-\\2",Data[i,1]) Name <- strsplit(as.vector(Data[i,2]),"\\|")[[1]][2] Data[i,4] <- as.numeric(sub("pvalue=","",Name)) print(i) }
哪个工作很好,但速度很慢.数据的大小很大,它有2亿行.这个实现非常慢.我该如何加速?
如果可以保证格式与您指定的格式完全相同,那么正则表达式可以捕获(从下面的括号中指出)从等号到管道符号以及从Gene =到最后的所有内容,并将它们粘贴在一起一个减号:
sub("mature=([^|]*).*Gene=(.*)",Data[,1])