Question

在Unicode中，带有重音符号的字母可以用两种方式表示：强调字母本身，以及裸字母加重音符的组合。例如，é（+ U00E9）和e'（+ U0065 + U0301）通常以相同的方式显示。

R呈现以下内容（ 3.0.2版，Mac OS 10.7.5 ）：

> "\u00e9"
[1] "é"
> "\u0065\u0301"
[1] "é"

然而，当然：

> "\u00e9" == "\u0065\u0301"
[1] FALSE

R中是否有一个将两个unicode-characters-letters转换为单字符形式的函数？特别是，它会将"\u0065\u0301"折叠为"\u00e9"

处理大量字符串非常方便。此外，单字符表单可以通过iconv轻松转换为其他编码 - 至少对于通常的Latin1字符 - 并且由plot更好地处理。

提前多多感谢。

Answer 1

好吧，似乎已经开发了一个包来增强和简化R中的字符串操作工具箱（最后！）。它被称为stringi，看起来很有希望。其documentation编写得非常好，特别是我发现有关encodings和locales的网页比某些标准R documentation on the subject更具启发性。

它具有Unicode规范化功能，正如我所寻找的（此处为C形式）：

> stri_trans_nfc('\u00e9') == stri_trans_nfc('\u0065\u0301')
[1] TRUE

它还包含一个智能comparison function，它集成了这些规范化问题，减轻了不得不考虑它们的痛苦：

> stri_compare('\u00e9', '\u0065\u0301')
[1] 0
# i.e. equal ;
# otherwise it returns 1 or -1, i.e. greater or lesser, in the alphabetic order.

感谢开发人员MarekGągolewski和Bartek Tartanus以及Kurt Hornik的信息！

R中的Unicode规范化（表单C）：将带有重音符号的所有字符转换为它们的单一字符形式？

1 个答案: