我有一个包含波斯语字符的大型数据框,我使用以下代码将其导入r:
Sys.setlocale(locale = "persian")
dt <- read.csv("data.csv",encoding="UTF-8")
我的DT是这样的:
id title
3376971 چوب شور آلبينا شيرين عسل <U+06F3><U+06F0> گرمي
3376989 ويفر رنگارنگ مينو <U+06F1><U+06F4>.<U+06F5> گرمي
3376990 کوکي مينو <U+06F3><U+06F0> گرمي
3376991 بيسکويت هاي باي شيرين عسل <U+06F3><U+06F8> گرمي
3376992 شکلات توريستي آناتا <U+06F2><U+06F8> گرمي
3376993 اسنک مغزدار شکلاتي شونيز <U+06F1><U+06F7> گرمي
3376994 شکلات فندقي آناتا <U+06F1><U+06F8> گرمي
3376995 نان روغني شيرين عسل <U+06F5><U+06F0> گرمي
3376996 بيسکويت هاي باي شيرين عسل <U+06F5><U+06F7> گرمي
我想删除一些 unicode,我已经尝试过:
dt<- cbind.data.frame(dt$id,gsub("<.+>", "", dt$title)
dt<- cbind.data.frame(dt$id,gsub("\S+\s+|-", "", dt$title)
dt<- cbind.data.frame(dt$id,gsub("^\s*<U\+\w+>\s*", "", dt$title)
dt<- cbind.data.frame(dt$id,gsub("\<U[^\>]*\>", "", dt$title)
dt<- cbind.data.frame(dt$id,gsub(""▼|▲"", "", dt$title)
但他们都不起作用
我也试过这个:
dt$title<-gsub("^\s*<U\+\w+>\s*", "", dt$title)
但是我收到此错误:
Error in `$<-.data.frame`(`*tmp*`, title, value = character(0)) :
replacement has 0 rows, data has 66366
我注意到在 R 控制台中,我的数据显示如下:
چوب شور آلبینا شیرین عسل ۳۰ گرمی
Unicode 显示为波斯数字,我尝试了这个并且它起作用了:
dt$title<-gsub("[۰-۹]+", "", dt$title)