Wie erkenne ich die richtige Kodierung für Read.csv?
-
24-10-2019 - |
Frage
Ich habe diese Datei (http://b7hq6v.alterupload.com/en/), die ich in R lesen möchte read.csv
. Aber ich kann die richtige Codierung nicht erkennen. Es scheint eine Art UTF-8 zu sein. Ich verwende R 2.12.1 auf einem Windowsxp -Computer. Irgendeine Hilfe?
Lösung
Zuerst Basierend auf allgemeineren Frage zu Stackoverflow Es ist nicht möglich, die Codierung der Datei in 100% Sicherheit zu erkennen.
Ich habe so oft Probleme und bin zu einer nicht automatischen Lösung gekommen:
Verwenden iconvlist
um alle möglichen Kodierungen zu erhalten:
codepages <- setNames(iconvlist(), iconvlist())
Lesen Sie dann Daten mit jedem von ihnen
x <- lapply(codepages, function(enc) try(read.table("encoding.asc",
fileEncoding=enc,
nrows=3, header=TRUE, sep="\t"))) # you get lots of errors/warning here
Wichtig ist hier, die Struktur der Datei zu kennen (Separator, Header). Setzen Sie die Codierung mithilfe fileEncoding
Streit. Lesen Sie nur wenige Zeilen.
Jetzt könnten Sie nach Ergebnissen suchen:
unique(do.call(rbind, sapply(x, dim)))
# [,1] [,2]
# 437 14 2
# CP1200 3 29
# CP12000 0 1
Es scheint, als würde man mit 3 Zeilen und 29 Spalten korrekt sind, also sehen wir sie sehen:
maybe_ok <- sapply(x, function(x) isTRUE(all.equal(dim(x), c(3,29))))
codepages[maybe_ok]
# CP1200 UCS-2LE UTF-16 UTF-16LE UTF16 UTF16LE
# "CP1200" "UCS-2LE" "UTF-16" "UTF-16LE" "UTF16" "UTF16LE"
Sie können auch Daten suchen
x[maybe_ok]
Für Ihre Datei gibt alle diese Codierungen identische Daten zurück (teilweise, weil es eine Redundanz gibt, wie Sie sehen).
Wenn Sie nicht spezifisch für Ihre Datei kennen, die Sie verwenden müssen readLines
Mit einigen Änderungen im Workflow (zB Sie können nicht verwenden fileEncoding
, verwenden müssen length
Anstatt von dim
, machen Sie mehr Magie, um korrekte zu finden).
Andere Tipps
Das Paket readr
, https://cran.r-project.org/web/packages/readr/readr.pdf, enthält eine Funktion namens namens guess_encoding
Das berechnet die Wahrscheinlichkeit einer Datei, in mehreren Codierungen codiert zu werden:
guess_encoding("your_file", n_max = 1000)
Zunächst müssen Sie herausfinden, was die Codierung der Datei ist, was in R nicht getan werden kann (zumindest wie ich weiß). Sie können externe Werkzeuge dafür verwenden, z. B. von Perl, Python oder z. das file
Dienstprogramm unter Linux/Unix.
Wie @SSMIT vorgeschlagen hat, haben Sie hier eine UTF-16LE (Unicode) -Codierung. Laden Sie also die Datei mit dieser Codierung und verwenden Sie readLines
Um zu sehen, was Sie in den ersten (z. B.) 10 Zeilen haben:
> f <- file('encoding.asc', open="r", encoding="UTF-16LE") # UTF-16LE, which is "called" Unicode in Windows
> readLines(f,10)
[1] "\tFe 2\tZn\tO\tC\tSi\tMn\tP\tS\tAl\tN\tCr\tNi\tMo\tCu\tV\tNb 2\tTi\tB\tZr\tCa\tH\tCo\tMg\tPb 2\tW\tCl\tNa 3\tAr"
[2] ""
[3] "0\t0,003128\t3,82E-05\t0,0004196\t0\t0,001869\t0,005836\t0,004463\t0,002861\t0,02148\t0\t0,004768\t0,0003052\t0\t0,0037\t0,0391\t0,06409\t0,1157\t0,004654\t0\t0\t0\t0,00824\t7,63E-05\t0,003891\t0,004501\t0\t0,001335\t0,01175"
[4] "0,0005\t0,003265\t3,05E-05\t0,0003662\t0\t0,001709\t0,005798\t0,004395\t0,002808\t0,02155\t0\t0,004578\t0,0002441\t0\t0,003601\t0,03897\t0,06406\t0,1158\t0,0047\t0\t0\t0\t0,008026\t6,10E-05\t0,003876\t0,004425\t0\t0,001343\t0,01157"
[5] "0,001\t0,003332\t2,54E-05\t0,0003052\t0\t0,001704\t0,005671\t0,0044\t0,002823\t0,02164\t0\t0,004603\t0,0003306\t0\t0,003611\t0,03886\t0,06406\t0,1159\t0,004705\t0\t0\t0\t0,008036\t5,09E-05\t0,003815\t0,004501\t0\t0,001246\t0,01155"
[6] "0,0015\t0,003313\t2,18E-05\t0,0002616\t0\t0,001678\t0,005689\t0,004447\t0,002921\t0,02171\t0\t0,004621\t0,0003488\t0\t0,003597\t0,03889\t0,06404\t0,1158\t0,004752\t0\t0\t0\t0,008022\t4,36E-05\t0,003815\t0,004578\t0\t0,001264\t0,01144"
[7] "0,002\t0,003313\t2,18E-05\t0,0002834\t0\t0,001591\t0,005646\t0,00436\t0,003008\t0,0218\t0\t0,004643\t0,0003488\t0\t0,003619\t0,03895\t0,06383\t0,1159\t0,004752\t0\t0\t0\t0,008\t4,36E-05\t0,003771\t0,004643\t0\t0,001351\t0,01142"
[8] "0,0025\t0,003488\t2,18E-05\t0,000218\t0\t0,001657\t0,00558\t0,004338\t0,002986\t0,02175\t0\t0,004469\t0,0002616\t0\t0,00351\t0,03889\t0,06374\t0,1159\t0,004621\t0\t0\t0\t0,008131\t4,36E-05\t0,003771\t0,004708\t0\t0,001243\t0,01125"
[9] "0,003\t0,003619\t0\t0,0001526\t0\t0,001591\t0,005668\t0,004207\t0,00303\t0,02169\t0\t0,00449\t0,0002834\t0\t0,00351\t0,03874\t0,06383\t0,116\t0,004665\t0\t0\t0\t0,007956\t0\t0,003749\t0,004796\t0\t0,001286\t0,01125"
[10] "0,0035\t0,003422\t0\t4,36E-05\t0\t0,001482\t0,005711\t0,004185\t0,003292\t0,02156\t0\t0,004665\t0,0003488\t0\t0,003553\t0,03852\t0,06391\t0,1158\t0,004708\t0\t0\t0\t0,007717\t0\t0,003597\t0,004905\t0\t0,00133\t0,01136"
Aus diesem Grund ist zu sehen, dass wir einen Header und eine leere Zeile in der zweiten Reihe haben (die standardmäßig mit dem übersprungen wird read.table
Funktion), das Separator ist \t
Und der Dezimalfigur ist ,
.
> f <- file('encoding.asc', open="r", encoding="UTF-16LE")
> df <- read.table(f, sep='\t', dec=',', header=TRUE)
Und sehen, was wir haben:
> head(df)
X Fe.2 Zn O C Si Mn P S
1 0.0000 0.003128 3.82e-05 0.0004196 0 0.001869 0.005836 0.004463 0.002861
2 0.0005 0.003265 3.05e-05 0.0003662 0 0.001709 0.005798 0.004395 0.002808
3 0.0010 0.003332 2.54e-05 0.0003052 0 0.001704 0.005671 0.004400 0.002823
4 0.0015 0.003313 2.18e-05 0.0002616 0 0.001678 0.005689 0.004447 0.002921
5 0.0020 0.003313 2.18e-05 0.0002834 0 0.001591 0.005646 0.004360 0.003008
6 0.0025 0.003488 2.18e-05 0.0002180 0 0.001657 0.005580 0.004338 0.002986
Al N Cr Ni Mo Cu V Nb.2 Ti B Zr
1 0.02148 0 0.004768 0.0003052 0 0.003700 0.03910 0.06409 0.1157 0.004654 0
2 0.02155 0 0.004578 0.0002441 0 0.003601 0.03897 0.06406 0.1158 0.004700 0
3 0.02164 0 0.004603 0.0003306 0 0.003611 0.03886 0.06406 0.1159 0.004705 0
4 0.02171 0 0.004621 0.0003488 0 0.003597 0.03889 0.06404 0.1158 0.004752 0
5 0.02180 0 0.004643 0.0003488 0 0.003619 0.03895 0.06383 0.1159 0.004752 0
6 0.02175 0 0.004469 0.0002616 0 0.003510 0.03889 0.06374 0.1159 0.004621 0
Ca H Co Mg Pb.2 W Cl Na.3 Ar
1 0 0 0.008240 7.63e-05 0.003891 0.004501 0 0.001335 0.01175
2 0 0 0.008026 6.10e-05 0.003876 0.004425 0 0.001343 0.01157
3 0 0 0.008036 5.09e-05 0.003815 0.004501 0 0.001246 0.01155
4 0 0 0.008022 4.36e-05 0.003815 0.004578 0 0.001264 0.01144
5 0 0 0.008000 4.36e-05 0.003771 0.004643 0 0.001351 0.01142
6 0 0 0.008131 4.36e-05 0.003771 0.004708 0 0.001243 0.01125
Zusätzlich zur Verwendung der Verwendung der Readr-Package können Sie auch verwenden, um zu verwenden Stringi :: STRI_ENC_DETECT2. Diese Funktion ist besonders effizient, wenn das Gebietsschema bekannt ist und wenn Sie sich mit irgendeiner Form von UTF oder ASCII befassen: ".. Es stellt sich heraus, dass (empirisch) dies stellt STRI_ENC_DETECT2 Funktioniert besser als die auf der Intensivstation [Stringi :: STRI_ENC_DETECT verwendet von der id_encoding] Wenn utf-* Text bereitgestellt wird. "
Details zu Stringi :: stri_enc_detekt.
Diese Datei hat eine UTF-16LE-Codierung mit BOM (Byte Order Mark). Sie sollten wahrscheinlich verwenden encoding = "UTF-16LE"