读外国文字

我有一个包含英超足球运动员姓名的数据库，我正在将其读入 R (3.02)，但当涉及到姓名中含有外来字符（元音变音、重音符号等）的球员时，我遇到了困难。下面的代码说明了这一点：

PlayerData<-read.table("C:\\Users\\Documents\\Players.csv",quote=NULL, dec = ".",,sep=",", stringsAsFactors=F,header=T,fill=T,blank.lines.skip = TRUE)
Test<-PlayerData[c(33655:33656),] #names of the players here are "Cazorla" "Özil"

Test[Test$Player=="Cazorla",] #Outputs correct details
Test[Test$Player=="Ozil",] # Can not find data '0 rows> (or 0-length row.names)'
<

#Example of how the foreign character is treated:
substr("Özil",1,1)
[1] "Ã"
substr("Özil",1,2)
[1] "Ö"
substr("Özil",2,2)
[1] "
substr("Özil",2,3)
[1] "z

我尝试替换字符，如下所述：R：替换字符串中的外来字符 https://stackoverflow.com/questions/17517319/r-replacing-foreign-characters-in-a-string，但由于我的示例中的重音字符似乎被解读为两个单独的字符，我认为它不起作用。

如果有任何建议或解决方法，我将不胜感激。

该文件可供下载here http://www.filedropper.com/players.

EDIT：您提供的文件似乎使用了与系统本机不同的编码。

由以下人员完成的（实验性）编码检测stri_enc_detect函数从stringi http://stringi.rexamine.com包给出：

library('stringi')
PlayerDataRaw <- stri_read_raw('~/Desktop/PLAYERS.csv')
stri_enc_detect(PlayerDataRaw)
## [[1]]
## [[1]]$Encoding
## [1] "ISO-8859-1" "ISO-8859-2" "ISO-8859-9" "IBM424_rtl"
## 
## [[1]]$Language
## [1] "en" "ro" "tr" "he"
## 
## [[1]]$Confidence
## [1] 0.25 0.14 0.09 0.02

所以该文件很可能位于ISO-8859-1 a.k.a. latin1。幸运的是，R 在读取此文件时不必重新编码输入 - 它可能只是设置与默认（==本机）编码标记不同的编码标记。您可以使用以下命令加载文件：

PlayerData<-read.table('~/Desktop/PLAYERS.csv',
    quote=NULL, dec = ".", sep=",", 
    stringsAsFactors=FALSE, header=TRUE, fill=TRUE,
    blank.lines.skip=TRUE, encoding='latin1')

现在您可以正确访问单个字符，例如与stri_sub功能：

Test<-PlayerData[c(33655:33656),]
Test
##           T          Away H.A    Home  Player Year
## 33655 33654 CrystalPalace   1 Arsenal Cazorla 2013
## 33656 33655 CrystalPalace   1 Arsenal    Özil 2013

stri_sub(Test$Player, 1, length=1)
## [1] "C" "Ö"
stri_sub(Test$Player, 2, length=1)
## [1] "a" "z"

根据比较字符串，以下是字符串相等性测试的结果，其中重音字符“扁平化”：

stri_cmp_eq("Özil", "Ozil", stri_opts_collator(strength=1))
## [1] TRUE

您还可以通过使用摆脱重音字符iconv的音译器（不过我不确定它是否在 Windows 上可用）。

iconv(Test$Player, 'latin1', 'ASCII//TRANSLIT')
## [1] "Cazorla" "Ozil"

或者使用非常强大的音译器stringi http://stringi.rexamine.com包（字符串版本 >= 0.2-2）：

stri_trans_general(Test$Player, 'Latin-ASCII')
## [1] "Cazorla" "Ozil"