好吧,我已经在github上提出了问题,但没有得到响应。data.table
是一个很棒的R包,可帮助我们在日常工作中经常使用。
然而,在版本1.9.6之后,如果未在UTF-8中编码列,则突然不支持Windows上的非ASCII键(RED中编码的默认非ASCII字符在R中编码的默认键取决于平台)。
这很可能是一个错误(我会说是一个大错误)。令我惊讶的是,没有人注意这一点,而且由于该错误已经存在了将近2年,所以没有人抱怨。
我花了几个小时试图解决这个问题,但失败了。
他们实际上正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并比较。似乎编码处理是正确的。但是,我确实怀疑这个错误被藏在那里。data.table
的实施确实很复杂,我问是否有人可以提供帮助,以便我们可以使PR解决这个问题。
非常感谢。
Minimal reproducible example
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"
)
如果编码为本机
,将失败(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$x)
## [1] "unknown" "unknown" "unknown" "unknown" "unknown"
dt[J("公允价值变动损益")][]
## x y
## 1: 公允价值变动损益 NA
只有在将编码转换为UTF8
时才会成功现在它返回正确的答案1
。请注意,DT的顺序现在也变得不同,这不应该发生。
dt[, x := enc2utf8(x)]
setkey(dt, x)
dt[]
## x y
## 1: 价差收入 3
## 2: 公允价值变动损益 1
## 3: 其他业务支出 4
## 4: 红利收入 2
## 5: 资产减值损失 5
Encoding(dt$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
我正在解决自己的问题以关闭它,因为此问题已在pr。
中解决对于字符串,data.table
比较其在UTF8编码中的值。但是,由于csort()
和csort_pre()
中缺少两个ENC2UTF8
,因此Data.table创建的顺序实际上取决于编码。在Windows上,默认编码不是UTF8的事实,当将字符串放入键时。
为了调试这种情况,您需要知道如何从C例程到R输出打印非ASCII字符。直接使用Rprintf()
,您会陷入混乱。您必须先在字符串上使用translateChar()
。
参考:
- http://r.789695.n4.n4.n.nabble.com/rprintf-expected-eendecoding-td4740717.html
- http://r.789695.n4.n4.n.nabble.com/how-to-print-utf-8---------a-a-a-c-routine-to-routine to-r-s-sutput-sutput-sutput-td4724337.html