Этот вопрос связан с этим предыдущим one о том, как заменить акцентированные строки, такие как México с эквивалентным Latex кодом M\'{e}xico.
Моя проблема здесь немного в другом. Я использую стороннюю базу данных со строковыми переменными с испанским акцентом, как указано выше. Однако кодировка кажется странной, так как это поведение, которое я получаю:
> grep("México",temp$dest_nom_ent)
integer(0)
> grep("Mexico",temp$dest_nom_ent)
integer(0)
> grep("xico",temp$dest_nom_ent)
[1] 18 19 20
> temp$dest_nom_ent[grep("xico",temp$dest_nom_ent)]
[2] "México" "México" "México"
где temp$dest_nom_ent — переменная с названиями штатов Мексики.
Тогда мой вопрос заключается в том, как преобразовать строковую переменную из сторонней базы данных в кодировку, которую распознают стандартные функции R. Пожалуйста, обрати внимание:
> Encoding(temp$dest_nom_ent)
[1] "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown"
[8] "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown"
[15] "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown"
[22] "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown"
[29] "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown"
[36] "unknown" "unknown" "unknown" "unknown" "unknown" "unknown" "unknown"
[43] "unknown" "unknown"
Для получения дополнительной информации я использую Windows 7 64. Также обратите внимание:
> charToRaw(temp$dest_nom_ent[18])
[1] 4d e9 78 69 63 6f
Какой из этих источник совпадает с испанским языком Windows (традиционный Сортировка) локаль.
M=4d
é=e9
x=78
i=69
c=63
o=6f
А также обратите внимание:
> charToRaw("México")
[1] 4d c3 a9 78 69 63 6f
> Encoding("México")
[1] "latin1"
Я безуспешно пробовал следующее (например, значение grep("é",temp$dest_nom_ent) возвращает нулевой вектор):
Encoding(temp$dest_nom_ent)<-"latin1"
temp$dest_nom_ent <- iconv(temp$dest_nom_ent,"","latin1")
temp$dest_nom_ent <- enc2utf8(temp$dest_nom_ent)
...
Я проверил поддерживаемые наборы символов, используя iconvlist() и "WINDOWS-1252". Однако следующее не сработало:
> temp1 <- temp$dest_nom_ent[grep("xico",temp$dest_nom_ent)]
> temp1
[1] "México" "México" "México"
> Encoding(temp1)<-"WINDOWS-1252"
> temp1 <- iconv(temp1,"WINDOWS-1252","latin1")
> temp1
[1] "México" "México" "México"
> Encoding(temp1)
[1] "latin1" "latin1" "latin1"
> charToRaw(temp1[1])
[1] 4d e9 78 69 63 6f
> grep("é",temp1)
integer(0)
что сравнивается с:
> temp2 <- c("México","México","México")
> temp2
[1] "México" "México" "México"
> Encoding(temp2)
[1] "latin1" "latin1" "latin1"
> charToRaw(temp2[1])
[1] 4d c3 a9 78 69 63 6f
> grep("é",temp2)
[1] 1 2 3)
Пытался узнать кодировку методом перебора типа:
try(for(i in 1:length(iconvlist())){
temp1 <- temp$dest_nom_ent[grep("xico",temp$dest_nom_ent)]
Encoding(temp1)<-iconvlist()[i]
temp1 <- iconv(temp1,iconvlist()[i],"latin1")
print(grep("é",temp1))
print(i)
},silent=FALSE)
Я не знаком с функцией try, но она по-прежнему выдает ошибку, а не игнорирует ее, поэтому не может проверить весь список:
...
[1] 17
integer(0)
[1] 18
integer(0)
[1] 19
integer(0)
[1] 20
Error in iconv(temp1, iconvlist()[i], "latin1") :
unsupported conversion from 'CP-GR' to 'latin1' in codepage 1252
Ну наконец то:
> Sys.getlocale()
[1] "LC_COLLATE=English_United States.1252;LC_CTYPE=English_United States.1252;LC_MONETARY=English_United States.1252;LC_NUMERIC=C;LC_TIME=English_United States.1252"
> d<-c("México","México")
> for(i in 1:7){d1 <- str_sub(d[1],i,i); print(d1)}
[1] "M"
[1] "Ã"
[1] "©
[1] "x"
[1] "i"
[1] "c"
[1] "o"
> print(grep("é",d))
[1] 1 2
Поэтому, похоже, мне придется изменить языковой стандарт компьютера, как было предложено a-windows-1252-character">здесь. Также см. здесь
PS: Если вам интересно, как с локалью English_United States.1252 мне удалось набрать d<-c("México","México"), можно настроить дополнительную испанскую клавиатуру (традиционная сортировка) с помощью Control Panel > Clock, Language and Region > Region and Language > Keyboards and Languages > Change Keyboards и под installed services нажать «Добавить» и перейти к традиционной испанской сортировке. Затем под advanced key settings можно создать ярлык для переключения клавиатур. В моем случае Shit+Alt. Поэтому, если я хочу ввести ñ в английской локали по умолчанию, я набираю Shift+Alt, затем ;, а затем Shift+Alt, чтобы вернуться к английской клавиатуре.
