读外文
我有一个数据库，里面有我在R (3.02)中读到的英超足球运动员的名字，但是当涉及到名字中有外国字符的球员时，我遇到了一些困难。下面的代码说明了这一点：
PlayerData<-read.table("C:\\Users\\Documents\\Players.csv",quote=NULL, dec = ".",,sep=",", stringsAsFactors=F,header=T,fill=T,blank.lines.skip = TRUE)
Test<-PlayerData[c(33655:33656),] #names of the players here are "Cazorla" "Özil"
Test[Test$Player=="Cazorla",] #Outputs correct details
Test[Test$Player=="Ozil",] # Can not find data '0 rows> (or 0-length row.names)'
<
#Example of how the foreign character is treated:
substr("Özil",1,1)
[1] "Ã"
substr("Özil",1,2)
[1] "Ö"
substr("Özil",2,2)
[1] "
substr("Özil",2,3)
[1] "z我尝试过替换字符，如这里所描述的：R:替换字符串中的外来字符，但是由于我的示例中的重音字符似乎被读取为两个单独的字符，所以我认为它不起作用。
如有任何建议或解决办法，我将不胜感激。
该文件可供下载这里。
回答 2
Stack Overflow用户
发布于 2014-04-18 11:27:27
编辑：您提供的文件似乎使用了与您系统的本机编码不同的编码。
由stri_enc_detect函数从斯蒂包完成的(实验性)编码检测提供：
library('stringi')
PlayerDataRaw <- stri_read_raw('~/Desktop/PLAYERS.csv')
stri_enc_detect(PlayerDataRaw)
## [[1]]
## [[1]]$Encoding
## [1] "ISO-8859-1" "ISO-8859-2" "ISO-8859-9" "IBM424_rtl"
##
## [[1]]$Language
## [1] "en" "ro" "tr" "he"
##
## [[1]]$Confidence
## [1] 0.25 0.14 0.09 0.02因此，文件很可能位于ISO-8859-1 a.k.a中。latin1。幸运的是，R在读取该文件时不必重新编码输入--它可能设置的编码标记与默认(==本机)不同。您可以使用以下内容加载该文件：
PlayerData<-read.table('~/Desktop/PLAYERS.csv',
quote=NULL, dec = ".", sep=",",
stringsAsFactors=FALSE, header=TRUE, fill=TRUE,
blank.lines.skip=TRUE, encoding='latin1')现在您可以正确地访问单个字符，例如使用stri_sub函数：
Test<-PlayerData[c(33655:33656),]
Test
## T Away H.A Home Player Year
## 33655 33654 CrystalPalace 1 Arsenal Cazorla 2013
## 33656 33655 CrystalPalace 1 Arsenal Özil 2013
stri_sub(Test$Player, 1, length=1)
## [1] "C" "Ö"
stri_sub(Test$Player, 2, length=1)
## [1] "a" "z"根据比较字符串，下面是字符串相等性测试的结果，重音字符“扁平”：
stri_cmp_eq("Özil", "Ozil", stri_opts_collator(strength=1))
## [1] TRUE您也可以通过使用iconv的音译器来消除重音字符(不过，我不确定它在Windows上是否可用)。
iconv(Test$Player, 'latin1', 'ASCII//TRANSLIT')
## [1] "Cazorla" "Ozil"或者使用来自斯蒂包的非常强大的音译器( >= 0.2-2版)：
stri_trans_general(Test$Player, 'Latin-ASCII')
## [1] "Cazorla" "Ozil"Stack Overflow用户
发布于 2014-04-18 20:42:55
谢谢你们的帮助。
字符串已正确编码为UTF-8 (我向read.table添加了参数，并按照建议使用了iconv )。这似乎不是问题所在。
我还使用了stri_sub()函数。但这似乎也不起作用(它还将重音作为一个单独的字符stri_sub("Özil",1,3) = "Ã<U+0096>z")。
不过，谢谢您为我指明了如何编写stringi文档，它给了我一个解决方法的想法，我很乐意使用这个方法：
remove.accents<-function(s){
oldrefs<-c(214,225)#Ö, á
newrefs<-c(79,97)#O,a
New<-utf8ToInt(s)
for(i in 1:length(oldrefs)){
New<-as.numeric(gsub(oldrefs[i],newrefs[i],New))
NEW<-intToUtf8(New)
}
NEW
}
> (remove.accents("Özil"))
[1] "Ozil"
> (remove.accents("Suárez"))
[1] "Suarez"现在，我可以用Int引用填充oldrefs/newref数组，用于某些玩家需要的其他字符(TouréJ skel inen，Agüero等)。希望不要花太长时间！
https://stackoverflow.com/questions/23152861
复制相似问题
腾讯云开发者
