好吧，我已经提交了the issue on Github但没有回复。 data.table是一个伟大的R包，可以帮助我们在日常工作中做很多事情。
但是，在版本1.9.6之后，如果列没有以UTF-8编码（R中的默认非ASCII字符编码取决于平台），它突然不支持Windows上的非ASCII密钥
这很可能是一个错误（我会说一个大错误）。我很惊讶，没有人关注这个，因为这个bug已经存在了将近2年，所以没有人抱怨。
我花了好几个小时试图解决问题，但失败了。相关提交为https://github.com/Rdatatable/data.table/commit/03cd45f83fe41e4a6507b9b2e4f955c105979c8c和https://github.com/Rdatatable/data.table/commit/409d709380e865d014f21f17a254e0bbcf1e156d
他们实际上是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和比较。似乎编码处理是正确的。但是，我确实怀疑这个bug被隐藏了。 data.table的实施非常复杂，我问是否有人可以提供帮助，以便我们可以制定公关来解决这个问题。
非常感谢。
Minimal reproducible example 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"
)
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$x)
## [1] "unknown" "unknown" "unknown" "unknown" "unknown"
dt[J("公允价值变动损益")][]
## x y
## 1: 公允价值变动损益 NA
现在它返回正确答案1。
注意dt的顺序现在也变得不同了，这不应该发生。
dt[, x := enc2utf8(x)]
setkey(dt, x)
dt[]
## x y
## 1: 价差收入 3
## 2: 公允价值变动损益 1
## 3: 其他业务支出 4
## 4: 红利收入 2
## 5: 资产减值损失 5
Encoding(dt$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()
## 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
答案 0 :(得分：7)
我已经回答了我自己的问题，因为这个问题已经在PR解决了。
对于字符串，data.table比较它们的UTF8编码值。但是，由于ENC2UTF8和csort()中缺少两个csort_pre()，data.table创建的顺序实际上取决于编码。在Windows上，当键中存在字符串时，默认编码不是UTF8这一事实会导致一些奇怪的输出。
为了调试这种情况，您需要知道如何将C例程中的非ASCII字符打印到R的输出。直接使用Rprintf()你会弄得一团糟。您必须先在字符串上使用translateChar()。
参考文献：