01. 应用场景
在生物信息学分析（尤其是使用clusterProfiler包）时，富集分析的结果（GO、KEGG）通常会输出一列名为GeneRatio或BgRatio的数据。
- 原始格式：表现为
"5/100"、"27/1024"这种字符串。 - 转换需求：为了进行绘图（如气泡图的坐标轴映射）、排序或统计过滤，必须将这种“分数格式”的字符串转换为实数（如
0.05）。
02. 两种方法对比
| 特性 | 方法 A：矩阵拆解法 (Matrix) | 方法 B：代码解析法 (Eval-Parse) |
|---|---|---|
| 核心原理 | 机械地按/拆分字符串，手动做除法 | 将字符串视为一条 R 指令直接执行计算 |
| 适用场景 | 追求高效率、处理大规模数据、编写稳健脚本时 | 追求代码简洁、处理少量数据、快速交互式分析时 |
| 优点 | 性能极高（向量化计算），不依赖复杂解析 | 代码更短，符合人类直觉（直接“算”出结果） |
| 缺点 | 代码嵌套深，初学者较难一眼读懂 | 运行速度慢（解析代码开销大），且存在潜在安全风险 |
03. 代码解读
方法 A：矩阵拆解法
ratio<-matrix(as.numeric(unlist(strsplit(as.character(ego.all_picc$GeneRatio),"/"))),ncol=2,byrow=TRUE)ego.all_picc$GeneRatio<-ratio[,1]/ratio[,2]strsplit(..., "/")：将字符串按斜杠拆开，变成列表。例如"5/100"变为c("5", "100")。unlist(...)& **as.numeric(...)**：将列表摊平并转为数字向量。matrix(..., ncol=2, byrow=TRUE)：关键步。将一维数字流重新排列为 2 列的矩阵。第一列是分子，第二列是分母。ratio[,1] / ratio[,2]：直接进行向量化除法运算，得到数值结果。
方法 B：代码解析法 (Tidyverse 风格)
mutate(GeneRatio_Num=sapply(GeneRatio,function(x)eval(parse(text=x))))parse(text = x)：将文本字符串解析成 R 可以理解的“表达式”（Expression）。例如把字符"5/100"变成一段代办指令5/100。eval(...)：执行这个指令并返回计算结果。sapply(..., function(x) ...)：因为eval无法一次性处理整个向量，所以必须逐行（逐个元素）遍历处理。
专家建议：如果你正在处理数万个细胞的单细胞数据，请务必坚持使用方法 A或 Tidyverse 的
separate()函数，以避免eval(parse)带来的性能瓶颈。
library(tidyverse)ego.all_picc<-ego.all_picc%>%# 1. 将 GeneRatio 拆分为分子 (num) 和分母 (den)separate(GeneRatio,into=c("num","den"),sep="/",convert=TRUE)%>%# 2. 直接计算比例mutate(GeneRatio=num/den)
