R:read.csv/read.table由于UTF-8编码的字符不识别所有列
问题描述:
虽然我正在清理包含某些UTF-8编码字符的数据,但在标题中遇到问题。R:read.csv/read.table由于UTF-8编码的字符不识别所有列
在进一步详细描述问题之前,我先花一些时间来解释样本数据,可以从here下载样本数据。示例数据是1乘以11的.csv。通过快速检查可避免使用read.table
或read.csv
。
> con <- file(description = file.path(somedir, 'test.csv'), open = 'rb', encoding = 'UTF-8')
> rawContent <- readLines(con = con, encoding = 'UTF-8')
> close(con)
# check dimension
> colcounts <- sapply(rawContent, function(x){length(gregexpr(pattern = ',', text = x)[[1]])})
> names(colcounts) <- seq_along(rawContent)
> colcounts
1
10
的数据也贴在这里,方便和安全的访问:
> dput(rawContent)
"100003516,B,110102,00921,100044,图书、报纸制版印刷,印刷设备生产,印刷器材文化用品销售,2311,1,"
现在,问题是,这些UTF-8编码字符的存在在某种程度上使读者如read.table
和read.csv
故障。更具体地说,它不能识别所有的列。
> df1 = read.table(text = rawContent, header = F, sep = ',', quote = '', comment.char = '', encoding = 'UTF-8')
> dim(df1)
[1] 1 9
> print(df1)
V1 V2 V3 V4 V5 V6 V7 V8 V9
1 100003516 B 110102 921 100044 图书、报纸制版印刷,印刷设备生产 印刷器材文化用品销售,2311 1 NA
正如你所看到的,在,
被V6, V7
确认为内容的逗号,即使我已经关闭了quote
。使用read.csv
会产生类似的结果,read.delim
也会产生类似的结果。任何意见,建议或解决方案都非常欢迎!谢谢!
附录171013
这是针对您的利益系统设置一些额外的信息:
> Sys.getlocale()
[1] "LC_COLLATE=Chinese (Simplified)_China.936;LC_CTYPE=Chinese (Simplified)_China.936;LC_MONETARY=Chinese (Simplified)_China.936;LC_NUMERIC=C;LC_TIME=Chinese (Simplified)_China.936"
> l10n_info()
$MBCS
[1] TRUE
$`UTF-8`
[1] FALSE
$`Latin-1`
[1] FALSE
$codepage
[1] 936
> Encoding(rawContent)
[1] "UTF-8"
附录20171015
除了下面的优秀答案,我也难倒在一个解决方案偶然。我不太了解它是如何工作的,但是与@Karsten W提到的一致,可能是通过绕过R程序通过在外部存储数据来设置系统区域设置可能具有的任何流失。下面是代码:
rawCotent <- "100003516,B,110102,00921,100044,图书、报纸制版印刷,印刷设备生产,印刷器材文化用品销售,2311,1,"
con <- file(description = 'text.csv', open = 'wb', encoding = 'UTF-8')
writeLines(text = rawContent, con = con, useBytes = T)
close(con)
df <- read.csv(file = 'text.csv', header = F, encoding = 'UTF-8')
print(df)
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11
1 100003516 B 110102 921 100044 图书、报纸制版印刷 印刷设备生产 印刷器材文化用品销售 2311 1 NA
答
从?Sys.getlocale
:
“试图改变字符集(由Sys.setlocale(” LC_CTYPE”),如果这意味着不同的字符集)在会议期间可能不工作,并可能导致一些混乱。“
我认为这就是为什么你的代码不起作用的原因。快速解决将是
cset <- Sys.getlocale("LC_CTYPE")
Sys.setlocale("LC_CTYPE", "C")
rawContent <- "100003516,B,110102,00921,100044,图书、报纸制版印刷,印刷设备生产,印刷器材文化用品销售,2311,1,"
dat <- read.csv(text=rawContent, header=FALSE)
Sys.setlocale("LC_CTYPE", cset)
ncol(dat)
[1] 11
你在这个问题上付出了一些努力。谢谢。很多人不想从未知来源下载文件来查看数据。要使您的数据可用于此问题,请使用'输入()'。如果数据量很大,可以通过使用'dput(头())'来占用较小的部分。 – shea
@shea感谢您的建议!我按照您的建议发布了数据 – Xiangyu
我无法复制此行为。使用'read.csv(text = rawContent,header = FALSE)'我得到了一个包含11列的'data.frame'。 –