R中的非ASCII字符,从.sav文件读取

时间:2014-12-08 22:25:27

标签: r character-encoding spss non-ascii-characters

我正在尝试将.sav文件读入RStudio。该文件包含来自西班牙语调查的数据,当我将其读入R时 - 即使我的默认文本编码已设置为ISO-8859-1 - 特殊字符的显示也不正确。

例如,“Camión”一词显示为

"Cami<c3><b3>n" 

即使它在PSPP中正确显示为“Camión”。

这就是我所做的:

install.packages("memisc")
jcv2014 <- as.data.set(spss.system.file('myfile.sav'))

后来,我想创建一个只包含变量标签的列表,所以我做了以下内容:

library(foreign)
jcv2014.spss <- read.spss("myfile.sav", to.data.frame=FALSE, use.value.labels=FALSE)
jcv2014_vars <- attr(jcv2014.spss, "variable.labels")

(我不确定这是否是最好的方法,但它有效)

无论如何,这一次,我仍然没有得到正确的口音,但有一种不同的编码:

一个应该是“¿Quécalificaciónledaría......”的变量标签反而出现了

"\302\277Qu\303\251 calificaci\303\263n le dar\303\255a..."

我不确定如何获得正确的字符,但它们在PSPP中正确显示。我尝试将R中的默认文本编码更改为ISO-8859-1和UTF-8,但无济于事。我不知道原始文件是什么编码的,但我猜它会是其中之一。

有什么想法吗?

如果它有帮助,我有R版3.1.1和OS X Yosemite版本10.10.1,我使用的是PSPP,而不是SPSS。

提前非常感谢!!!

1 个答案:

答案 0 :(得分:2)

您可以在读取数据后设置编码吗?

# Here's your sentence
s <- "\302\277Qu\303\251 calificaci\303\263n le dar\303\255a..."

# it has no encoding
Encoding(s)
# [1] "unknown"

# but if you specify UTF-8, then it shows up correctly
iconv(s, 'UTF-8')
# [1] "¿Qué calificación le daría..."

# This also works
Encoding(s) <- 'UTF-8'
s
# [1] "¿Qué calificación le daría..."

以下是我sessionInfo()电话的结果。你也应该发布你的。

> sessionInfo()
R version 3.1.1 (2014-07-10)
Platform: x86_64-apple-darwin13.1.0 (64-bit)

locale:
[1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] reshape2_1.4     hexbin_1.27.0    ggplot2_1.0.0    data.table_1.9.2 yaml_2.1.13     
[6] redshift_0.4     RJDBC_0.2-4      rJava_0.9-6      DBI_0.3.1       

loaded via a namespace (and not attached):
 [1] colorspace_1.2-4 digest_0.6.4     grid_3.1.1       gtable_0.1.2     labeling_0.2    
 [6] lattice_0.20-29  MASS_7.3-33      munsell_0.4.2    plyr_1.8.1       proto_0.3-10    
[11] Rcpp_0.11.2      scales_0.2.4     stringr_0.6.2    tools_3.1.1  

更新:看起来您可能没有支持UTF-8的区域设置。以下是我系统上每个类别的区域设置。您可以尝试使用Sys.setLocale()并在系统上逐个更新它们(如果您觉得不需要逐步测试每个,请使用LC_ALL)。 ?Sys.setLocale了解更多信息

cat_str <- c("LC_COLLATE", "LC_CTYPE", "LC_MONETARY", "LC_NUMERIC",
             "LC_TIME", "LC_MESSAGES", "LC_PAPER", "LC_MEASUREMENT")
sapply(cat_str, Sys.getlocale)

# LC_COLLATE       LC_CTYPE    LC_MONETARY     LC_NUMERIC        LC_TIME    LC_MESSAGES 
# "en_US.UTF-8"  "en_US.UTF-8"  "en_US.UTF-8"            "C"  "en_US.UTF-8"  "en_US.UTF-8" 
# LC_PAPER LC_MEASUREMENT 
# ""             ""