r - 为什么 R data.table 不能很好地支持 Windows 上的非 ASCII 键

Question

好吧，我已经提交了 the issue on Github但没有得到回应。 data.table是一个很棒的 R 包，对我们的日常工作有很大帮助。

但是，在 1.9.6 版本之后，如果该列没有以 UTF-8 编码(R 中默认的非 ASCII 字符编码取决于平台)，它突然不支持 windows 上的非 ASCII 键。

这很可能是一个错误(我会说一个大错误)。我很惊讶没有人注意这一点，也没有人提示，因为这个错误已经存在了将近 2 年。

我花了几个小时试图解决这个问题但失败了。相关的提交是 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，我确实怀疑该错误隐藏在那里。 data.table的执行真的很复杂，我在问是否有人可以提供帮助，以便我们可以做一个 PR 来解决这个问题。

非常感谢。
Minimal reproducible example
数据集

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"
)

如果编码是原生的，将失败(返回 NA)

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

只有将编码转换为 utf8 才会成功

现在它返回正确答案 1 .
请注意，dt 的顺序现在也变得不同，这是不应该发生的。

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

session 信息

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

Answer 1

由于此问题已在 PR 中解决，因此我正在回答我自己的问题以关闭它。 .

对于字符串，data.table比较它们在 UTF8 编码中的值。但是，由于缺少两个 ENC2UTF8在 csort()和 csort_pre() ， data.table 创建的顺序实际上取决于编码。在 Windows 上，当键中有字符串时，默认编码不是 UTF8 的事实会导致一些奇怪的输出。

为了调试这种情况，您需要知道如何将非 ASCII 字符从 C 例程打印到 R 的输出。使用 Rprintf()直接你会弄得一团糟。您必须使用 translateChar()首先在字符串上。

引用:

http://r.789695.n4.nabble.com/Rprintf-expected-encoding-td4740717.html

http://r.789695.n4.nabble.com/How-to-print-UTF-8-encoded-strings-from-a-C-routine-to-R-s-output-td4724337.html