<div dir="ltr">Gabor,<div>Thank you very very much!</div><div>Your code consists of so many commands I never played with, both helpful and educational.</div><div><br></div><div>Thanks!</div><div>Tal</div><div><br>----------------Contact Details:-------------------------------------------------------<br>

Contact me: <a href="mailto:Tal.Galili@gmail.com">Tal.Galili@gmail.com</a> |  972-52-7275845<br>Read me: <a href="http://www.talgalili.com">www.talgalili.com</a> (Hebrew) | <a href="http://www.biostatistics.co.il">www.biostatistics.co.il</a> (Hebrew) | <a href="http://www.r-statistics.com">www.r-statistics.com</a> (English)<br>

----------------------------------------------------------------------------------------------<br><br><br>
<br><br><div class="gmail_quote">On Tue, Mar 16, 2010 at 4:24 PM, Gabor Grothendieck <span dir="ltr">&lt;<a href="mailto:ggrothendieck@gmail.com">ggrothendieck@gmail.com</a>&gt;</span> wrote:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex;">

We show how to use the gsubfn package to parse this.<br>
<br>
The rules are not entirely clear so we will assume the following:<br>
<br>
- there is a fixed template for the output which is the same as your<br>
output but possibly with different character strings filled in.  This<br>
implies, for example, that there are exactly Stem0, Stem1, Stem2 and<br>
Stem3 and no fewer or more stems.<br>
<br>
- the sequence always starts with the open of Stem0, at least one dot<br>
and the open of Stem1.  There are no dots prior to the open of Stem0.<br>
This seems to be implicit in your sample output since there is no zero<br>
length string in your sample output corresponding to dots prior to<br>
Stem0.<br>
<br>
- Stem0 closes with the same number of &lt; as there are &gt; to open it<br>
<br>
You can modify this yourself to take into account the actual rules<br>
whatever they are.<br>
<br>
We first calculate, k, the number of leading &gt;&#39;s using strapply.<br>
<br>
Then we replace the leading k &gt;&#39;s with }&#39;s and the trailing k &lt;&#39;s with<br>
{&#39;s giving us Str3:<br>
<br>
 &quot;}}}}}}}..&gt;&gt;&gt;&gt;........&lt;&lt;&lt;&lt;.&gt;&gt;&gt;&gt;&gt;.......&lt;&lt;&lt;&lt;&lt;.....&gt;&gt;&gt;&gt;&gt;.......&lt;&lt;&lt;&lt;&lt;{{{{{{{.&quot;<br>
<br>
We again use strapply, this time to get the lengths of the runs.  Note that<br>
zero length runs are possible so we cannot, for example, use rle for this.  For<br>
example there is a zero length run of dots between the last &lt; and the first {.<br>
read.fwf is used to actually parse out the strings using the lengths we just<br>
calculated.<br>
<br>
Finally we fill in the template using relist.<br>
<br>
# inputs<br>
<br>
Seq &lt;-<br>
&quot;GCCTCGATAGCTCAGTTGGGAGAGCGTACGACTGAAGATCGTAAGGtCACCAGTTCGATCCTGGTTCGGGGCA&quot;<br>
Str &lt;-<br>
&quot;&gt;&gt;&gt;&gt;&gt;&gt;&gt;..&gt;&gt;&gt;&gt;........&lt;&lt;&lt;&lt;.&gt;&gt;&gt;&gt;&gt;.......&lt;&lt;&lt;&lt;&lt;.....&gt;&gt;&gt;&gt;&gt;.......&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;.&quot;<br>
template &lt;-<br>
  list(<br>
    &quot;Stem 0 opening&quot; = &quot;&quot;,<br>
    &quot;before Stem 1&quot; = &quot;&quot;,<br>
    &quot;Stem 1&quot; = list(opening = &quot;&quot;,<br>
    inside = &quot;&quot;,<br>
    closing = &quot;&quot;<br>
    ),<br>
    &quot;between Stem 1 and 2&quot; = &quot;&quot;,<br>
    &quot;Stem 2&quot; = list(opening = &quot;&quot;,<br>
    inside = &quot;&quot;,<br>
    closing = &quot;&quot;<br>
    ),<br>
    &quot;between Stem 2 and 3&quot; = &quot;&quot;,<br>
    &quot;Stem 3&quot; = list(opening = &quot;&quot;,<br>
    inside = &quot;&quot;,<br>
    closing = &quot;&quot;<br>
<div class="im">    ),<br>
    &quot;After Stem 3&quot; = &quot;&quot;,<br>
    &quot;Stem 0 closing&quot; = &quot;&quot;<br>
</div>   )<br>
<br>
# processing<br>
<br>
# create string made by repeating string s k times followed by more<br>
reps &lt;- function(s, k, more = &quot;&quot;) {<br>
        paste(paste(rep(s, k), collapse = &quot;&quot;), more, sep = &quot;&quot;)<br>
}<br>
<br>
library(gsubfn)<br>
k &lt;- nchar(strapply(Str, &quot;^&gt;+&quot;, c)[[1]])<br>
Str2 &lt;- sub(&quot;^&gt;+&quot;, reps(&quot;}&quot;, k), Str)<br>
Str3 &lt;- sub(reps(&quot;&lt;&quot;, k, &quot;([^&lt;]*)$&quot;), reps(&quot;{&quot;, k, &quot;\\1&quot;), Str2)<br>
<br>
pat &lt;-<br>
&quot;^(}*)([.]*)(&gt;*)([.]*)(&lt;*)([.]*)(&gt;*)([.]*)(&lt;*)([.]*)(&gt;*)([.]*)(&lt;*)([.]*)({*)([.]*)$&quot;<br>
lens &lt;- sapply(strapply(Str3, pat, c)[[1]], nchar)<br>
tokens &lt;- unlist(read.fwf(textConnection(Seq), lens, <a href="http://as.is" target="_blank">as.is</a> = TRUE))<br>
closeAllConnections()<br>
tokens[<a href="http://is.na" target="_blank">is.na</a>(tokens)] &lt;- &quot;&quot;<br>
out &lt;- relist(tokens, template)<br>
out<br>
<br>
<br>
Here is the str of the output for your sample input:<br>
<br>
&gt; str(out)<br>
List of 9<br>
 $ Stem 0 opening      : chr &quot;GCCTCGA&quot;<br>
 $ before Stem 1       : chr &quot;TA&quot;<br>
 $ Stem 1              :List of 3<br>
  ..$ opening: chr &quot;GCTC&quot;<br>
  ..$ inside : chr &quot;AGTTGGGA&quot;<br>
  ..$ closing: chr &quot;GAGC&quot;<br>
 $ between Stem 1 and 2: chr &quot;G&quot;<br>
 $ Stem 2              :List of 3<br>
  ..$ opening: chr &quot;TACGA&quot;<br>
  ..$ inside : chr &quot;CTGAAGA&quot;<br>
  ..$ closing: chr &quot;TCGTA&quot;<br>
 $ between Stem 2 and 3: chr &quot;AGGtC&quot;<br>
 $ Stem 3              :List of 3<br>
  ..$ opening: chr &quot;ACCAG&quot;<br>
  ..$ inside : chr &quot;TTCGATC&quot;<br>
  ..$ closing: chr &quot;CTGGT&quot;<br>
 $ After Stem 3        : chr &quot;&quot;<br>
 $ Stem 0 closing      : chr &quot;TCGGGGC&quot;<br>
<div class="im"><br>
<br>
<br>
On Tue, Mar 16, 2010 at 6:10 AM, Tal Galili &lt;<a href="mailto:tal.galili@gmail.com">tal.galili@gmail.com</a>&gt; wrote:<br>
</div><div><div></div><div class="h5">&gt; Hello all,<br>
&gt;<br>
&gt; For some work I am doing on RNA, I want to use R to do string parsing that<br>
&gt; (I think) is like a simplistic HTML parsing.<br>
&gt;<br>
&gt;<br>
&gt; For example, let&#39;s say we have the following two variables:<br>
&gt;<br>
&gt;    Seq &lt;-<br>
&gt; &quot;GCCTCGATAGCTCAGTTGGGAGAGCGTACGACTGAAGATCGTAAGGtCACCAGTTCGATCCTGGTTCGGGGCA&quot;<br>
&gt;    Str &lt;-<br>
&gt; &quot;&gt;&gt;&gt;&gt;&gt;&gt;&gt;..&gt;&gt;&gt;&gt;........&lt;&lt;&lt;&lt;.&gt;&gt;&gt;&gt;&gt;.......&lt;&lt;&lt;&lt;&lt;.....&gt;&gt;&gt;&gt;&gt;.......&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;.&quot;<br>


&gt;<br>
&gt; Say that I want to parse &quot;Seq&quot; According to &quot;Str&quot;, by using the legend here<br>
&gt;<br>
&gt; Seq: GCCTCGATAGCTCAGTTGGGAGAGCGTACGACTGAAGATCGTAAGGtCACCAGTTCGATCCTGGTTCGGGGCA<br>
&gt; Str: &gt;&gt;&gt;&gt;&gt;&gt;&gt;..&gt;&gt;&gt;&gt;........&lt;&lt;&lt;&lt;.&gt;&gt;&gt;&gt;&gt;.......&lt;&lt;&lt;&lt;&lt;.....&gt;&gt;&gt;&gt;&gt;.......&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;&lt;.<br>
&gt;<br>
&gt;     |     |  |              | |               |     |               ||     |<br>
&gt;<br>
&gt;     +-----+  +--------------+ +---------------+     +---------------++-----+<br>
&gt;<br>
&gt;        |        Stem 1            Stem 2                 Stem 3         |<br>
&gt;<br>
&gt;        |                                                                |<br>
&gt;<br>
&gt;        +----------------------------------------------------------------+<br>
&gt;<br>
&gt;                                Stem 0<br>
&gt;<br>
&gt; Assume that we always have 4 stems (0 to 3), but that the length of letters<br>
&gt; before and after each of them can very.<br>
&gt;<br>
&gt; The output should be something like the following list structure:<br>
&gt;<br>
&gt;<br>
&gt;    list(<br>
&gt;     &quot;Stem 0 opening&quot; = &quot;GCCTCGA&quot;,<br>
&gt;     &quot;before Stem 1&quot; = &quot;TA&quot;,<br>
&gt;     &quot;Stem 1&quot; = list(opening = &quot;GCTC&quot;,<br>
&gt;     inside = &quot;AGTTGGGA&quot;,<br>
&gt;     closing = &quot;GAGC&quot;<br>
&gt;     ),<br>
&gt;     &quot;between Stem 1 and 2&quot; = &quot;G&quot;,<br>
&gt;     &quot;Stem 2&quot; = list(opening = &quot;TACGA&quot;,<br>
&gt;     inside = &quot;CTGAAGA&quot;,<br>
&gt;     closing = &quot;TCGTA&quot;<br>
&gt;     ),<br>
&gt;     &quot;between Stem 2 and 3&quot; = &quot;AGGtC&quot;,<br>
&gt;     &quot;Stem 3&quot; = list(opening = &quot;ACCAG&quot;,<br>
&gt;     inside = &quot;TTCGATC&quot;,<br>
&gt;     closing = &quot;CTGGT&quot;<br>
&gt;     ),<br>
&gt;     &quot;After Stem 3&quot; = &quot;&quot;,<br>
&gt;     &quot;Stem 0 closing&quot; = &quot;TCGGGGC&quot;<br>
&gt;    )<br>
&gt;<br>
&gt;<br>
&gt; I don&#39;t have any experience with programming a parser, and would like<br>
&gt; advices as to what strategy to use when programming something like this (and<br>
&gt; any recommended R commands to use).<br>
&gt;<br>
&gt;<br>
&gt; What I was thinking of is to first get rid of the &quot;Stem 0&quot;, then go through<br>
&gt; the inner string with a recursive function (let&#39;s call it &quot;seperate.stem&quot;)<br>
&gt; that each time will split the string into:<br>
&gt; 1. before stem<br>
&gt; 2. opening stem<br>
&gt; 3. inside stem<br>
&gt; 4. closing stem<br>
&gt; 5. after stem<br>
&gt;<br>
&gt; Where the &quot;after stem&quot; will then be recursively entered into the same<br>
&gt; function (&quot;seperate.stem&quot;)<br>
&gt;<br>
&gt; The thing is that I am not sure how to try and do this coding without using<br>
&gt; a loop.<br>
&gt;<br>
&gt; Any advices will be most welcomed.<br>
&gt;<br>
&gt;<br>
&gt; ----------------Contact<br>
&gt; Details:-------------------------------------------------------<br>
&gt; Contact me: <a href="mailto:Tal.Galili@gmail.com">Tal.Galili@gmail.com</a> |  972-52-7275845<br>
&gt; Read me: <a href="http://www.talgalili.com" target="_blank">www.talgalili.com</a> (Hebrew) | <a href="http://www.biostatistics.co.il" target="_blank">www.biostatistics.co.il</a> (Hebrew) |<br>
&gt; <a href="http://www.r-statistics.com" target="_blank">www.r-statistics.com</a> (English)<br>
&gt; ----------------------------------------------------------------------------------------------<br>
&gt;<br>
</div></div><div><div></div><div class="h5">&gt;        [[alternative HTML version deleted]]<br>
&gt;<br>
&gt; ______________________________________________<br>
&gt; <a href="mailto:R-help@r-project.org">R-help@r-project.org</a> mailing list<br>
&gt; <a href="https://stat.ethz.ch/mailman/listinfo/r-help" target="_blank">https://stat.ethz.ch/mailman/listinfo/r-help</a><br>
&gt; PLEASE do read the posting guide <a href="http://www.R-project.org/posting-guide.html" target="_blank">http://www.R-project.org/posting-guide.html</a><br>
&gt; and provide commented, minimal, self-contained, reproducible code.<br>
&gt;<br>
</div></div></blockquote></div><br></div></div>