为什么R data.table不支持Windows上的非ASCII键

前端之家收集整理的这篇文章主要介绍了为什么R data.table不支持Windows上的非ASCII键前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。
好吧,我已经提交了 the issue on Github但没有得到回应. data.table是一个伟大的R包,可以帮助我们在日常工作中做很多事情.

但是,在版本1.9.6之后,如果列没有以UTF-8编码,则它突然不支持Windows上的非ASCII键(R中的默认非ASCII字符编码取决于平台).

这很可能是一个错误(我会说一个大错误).我很惊讶,没有人关注这一点,没有人抱怨,因为这个bug已经存在了将近2年.

我花了好几个小时试图解决这个问题,但都失败了.相关提交是https://github.com/Rdatatable/data.table/commit/03cd45f83fe41e4a6507b9b2e4f955c105979c8chttps://github.com/Rdatatable/data.table/commit/409d709380e865d014f21f17a254e0bbcf1e156d

他们实际上是在尝试将其他编码字符转换为UTF-8,然后对UTF-8中的所有字符进行排序和比较.似乎编码处理是正确的.但是,我确实怀疑这个bug被隐藏在那里. data.table的实现非常复杂,我问是否有人可以提供帮助,以便我们可以制定公关来解决这个问题.

非常感谢.

最小的可重复的例子

数据集

library(data.table)
## data.table 1.10.5 IN DEVELOPMENT built 2017-12-01 20:06:10 UTC
## The fastest way to learn (by data.table authors): https://www.datacamp.com/courses/data-analysis-the-data-table-way
##  Documentation: ?data.table,example(data.table) and browseVignettes("data.table")
##  Release notes,videos and slides: http://r-datatable.com
dt <- data.table(
  x = c("公允价值变动损益","红利收入","价差收入","其他业务支出","资产减值损失"),y = 1:5,key = "x"
)

如果编码是本机的,则会失败(返回NA)

dt[]
##                   x y
## 1: 公允价值变动损益 1
## 2:         红利收入 2
## 3:         价差收入 3
## 4:     其他业务支出 4
## 5:     资产减值损失 5
Encoding(dt$x) 
## [1] "unknown" "unknown" "unknown" "unknown" "unknown"
dt[J("公允价值变动损益")][]
##                   x  y
## 1: 公允价值变动损益 NA

仅在编码转换为utf8时才会成功

现在它返回正确答案1.
注意dt的顺序现在也变得不同了,这是不应该发生的.

dt[,x := enc2utf8(x)]
setkey(dt,x)

dt[]
##                   x y
## 1:         价差收入 3
## 2: 公允价值变动损益 1
## 3:     其他业务支出 4
## 4:         红利收入 2
## 5:     资产减值损失 5
Encoding(dt$x)
## [1] "UTF-8" "UTF-8" "UTF-8" "UTF-8" "UTF-8"
dt[J("公允价值变动损益")][]
##                   x y
## 1: 公允价值变动损益 1

sessionInfo

sessionInfo()
## R version 3.4.1 (2017-06-30)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 7 x64 (build 7601) Service Pack 1
## 
## Matrix products: default
## 
## locale:
## [1] LC_COLLATE=Chinese (Simplified)_People's Republic of China.936 
## [2] LC_CTYPE=Chinese (Simplified)_People's Republic of China.936   
## [3] LC_MONETARY=Chinese (Simplified)_People's Republic of China.936
## [4] LC_NUMERIC=C                                                   
## [5] LC_TIME=Chinese (Simplified)_People's Republic of China.936    
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] data.table_1.10.5
## 
## loaded via a namespace (and not attached):
##  [1] compiler_3.4.1  backports_1.1.1 magrittr_1.5    rprojroot_1.2  
##  [5] tools_3.4.1     htmltools_0.3.6 Rcpp_0.12.13    stringi_1.1.5  
##  [9] rmarkdown_1.8   knitr_1.17      stringr_1.2.0   digest_0.6.12  
## [13] evaluate_0.10.1
因为这个问题在 PR年已经解决,所以我正在回答我自己的问题.

对于字符串,data.table将它们的值与UTF8编码进行比较.但是,由于在csort()和csort_pre()中缺少两个ENC2UTF8,data.table创建的顺序实际上取决于编码.在Windows上,当键中存在字符串时,默认编码不是UTF8这一事实会导致一些奇怪的输出.

为了调试这种情况,您需要知道如何将C例程中的非ASCII字符打印到R的输出.直接使用Rprintf()会让你感到困惑.你必须首先在字符串上使用translateChar().

参考文献:

> http://r.789695.n4.nabble.com/Rprintf-expected-encoding-td4740717.html
> http://r.789695.n4.nabble.com/How-to-print-UTF-8-encoded-strings-from-a-C-routine-to-R-s-output-td4724337.html

原文链接:https://www.f2er.com/windows/365199.html

猜你在找的Windows相关文章