Я пытаюсь изменить кодировку столбца в dataframe.R- Изменение кодировки столбца в dataframe?
stri_enc_mark(data_updated$text)
# [1] "UTF-8" "ASCII" "ASCII" "UTF-8" "ASCII" "ASCII" "UTF-8" "UTF-8" "UTF-8"
# [10] "ASCII" "ASCII" "UTF-8" "ASCII" "UTF-8" "ASCII" "UTF-8" "ASCII" "UTF-8"
# [19] "ASCII" "UTF-8" "ASCII" "UTF-8" "ASCII" "UTF-8" "UTF-8" "ASCII" "ASCII"
# [28] "ASCII" "ASCII" "UTF-8" "ASCII" "ASCII" "ASCII" "UTF-8" "UTF-8" "ASCII"
Когда я пытаюсь преобразовать его, он не выдаст ошибку, но до сих пор не имеет никакого влияния на вектор:
d <- enc2utf8(data_updated$text)
stri_enc_mark(d)
# [1] "UTF-8" "ASCII" "ASCII" "UTF-8" "ASCII" "ASCII" "UTF-8" "UTF-8" "UTF-8"
# [10] "ASCII" "ASCII" "UTF-8" "ASCII" "UTF-8" "ASCII" "UTF-8" "ASCII" "UTF-8"
# [19] "ASCII" "UTF-8" "ASCII" "UTF-8" "ASCII" "UTF-8" "UTF-8" "ASCII" "ASCII"
# [28] "ASCII" "ASCII" "UTF-8" "ASCII" "ASCII" "ASCII" "UTF-8" "UTF-8" "ASCII"
Любые предложения?
Я нахожусь на Windows 7, 32bit. Добавление фрагмента данных.
> Encoding(data_updated$text[1:35])
[1] "UTF-8" "unknown" "unknown" "UTF-8" "unknown" "unknown" "UTF-8"
[8] "UTF-8" "UTF-8" "unknown" "unknown" "UTF-8" "unknown" "UTF-8"
[15] "unknown" "UTF-8" "unknown" "UTF-8" "unknown" "UTF-8" "unknown"
[22] "UTF-8" "unknown" "UTF-8" "UTF-8" "unknown" "unknown" "unknown"
[29] "unknown" "UTF-8" "unknown" "unknown" "unknown" "UTF-8" "UTF-8"
Данные выглядят следующим образом.
> data_updated$text[1:35]
[1] "RT @satpalpandey: Majlis started in Sirsa Ashram.\nInform others too.\nLive @ http://t.co/zGXWATGajX\nIVR Airtel 55252\nReliance 56300403\n\n#MSG…"
[2] "Deal Talks for Here Mapping Service Expose Reliance on Location Data, via @nytimes #mapping #dilemma http://t.co/wGdiS5OlRq"
[3] "http://t.co/UZIyX1Rk7W The popping linksexploaded!! http://t.co/KpNntm1dH7 :) http://t.co/oku91uVxZ8"
[4] "RT @davidsunaria90: Wtch LIVE Mjlis Now\n http://t.co/GXNhe3eY7Y\nIVR Airtel: 55252\nReliance: 56300403\nYoutube Link : http://t.co/YewOVcz8bb\n…"
[5] "Reliance Jio Infocomm: Indian carrier raises $750 million loan for 4G rollout http://t.co/B2aWlkmwXz"
[6] "RT @SurjeetInsan: Majlis started in Sirsa Ashram.\nLive @ http://t.co/PR6W5tzZes\nIVR Airtel 55252\nReliance 56300403\n\n#MSGPlsSaveTheEarth"
[7] "\"Deal Talks for Here Mapping Service Expose Reliance on Location Data\" by MARK SCOTT and MIKE ISAAC via NYT Techno… http://t.co/kyxTYIxks5"
[8] "RT @satpalpandey: Majlis started in Sirsa Ashram.\nInform others too.\nLive @ http://t.co/zGXWATGajX\nIVR Airtel 55252\nReliance 56300403\n\n#MSG…"
[9] "RT @jaameinsan: Watch LIVE Majlis Now\n http://t.co/nPQegnLXPa\nIVR Airtel: 55252\nReliance: 56300403\nYoutube Link : http://t.co/txXMtw3zFP\n#M…"
[10] "\"Deal Talks for Here Mapping Service Expose Reliance on Location Data\" by MARK SCOTT and MIKE ISAAC via NYT Technology"
Это чириканье, и я думаю, что «HTTP: //» ссылки диктуют кодирование здесь, учитывая, что у них есть такие выражения, как «wGdiS5OlRq». Для анализа я удалил эти теги с помощью регулярных выражений. Но для хранения необработанных данных в БД мне нужны эти твиты. У MongoDB нет проблем, но RDBMS вызывает проблемы.
Это помогло бы иметь [воспроизводимый пример] (http://stackoverflow.com/questions/5963269/how-to-make-a-great-r-reproducible-example). Было бы также полезно узнать, на какой ОС вы находитесь и что «Кодирование()» возвращает для этих векторов. Возможно, что если в строке нет никаких символов, отличных от ascii, он просто вернет ASCII. – MrFlick
Это довольно классический пример, когда проблема может быть упрощена. У вас есть 36 точек данных. Вам нужно 2, чтобы продемонстрировать эту проблему - 'data_updated $ text [1: 2]' будет достаточно, чтобы ничего не менять с ASCII до UTF-8 – thelatemail
спасибо за указание. Обновили сообщение – NEO