[英]R: Data Frame is removing every other character from nvarchar/unicode fields
[英]removing unicode characters from data frame in r
我有一個大型數據框,其中包含我用以下代碼導入它的波斯語字符:
Sys.setlocale(locale = "persian")
dt <- read.csv("data.csv",encoding="UTF-8")
我的dt是這樣的:
id title
3376971 چوب شور آلبينا شيرين عسل <U+06F3><U+06F0> گرمي
3376989 ويفر رنگارنگ مينو <U+06F1><U+06F4>.<U+06F5> گرمي
3376990 کوکي مينو <U+06F3><U+06F0> گرمي
3376991 بيسکويت هاي باي شيرين عسل <U+06F3><U+06F8> گرمي
3376992 شکلات توريستي آناتا <U+06F2><U+06F8> گرمي
3376993 اسنک مغزدار شکلاتي شونيز <U+06F1><U+06F7> گرمي
3376994 شکلات فندقي آناتا <U+06F1><U+06F8> گرمي
3376995 نان روغني شيرين عسل <U+06F5><U+06F0> گرمي
3376996 بيسکويت هاي باي شيرين عسل <U+06F5><U+06F7> گرمي
我想刪除一些unicode,我試過:
dt<- cbind.data.frame(dt$id,gsub("<.+>", "", dt$title)
dt<- cbind.data.frame(dt$id,gsub("\\S+\\s+|-", "", dt$title)
dt<- cbind.data.frame(dt$id,gsub("^\\s*<U\\+\\w+>\\s*", "", dt$title)
dt<- cbind.data.frame(dt$id,gsub("\\<U[^\\>]*\\>", "", dt$title)
dt<- cbind.data.frame(dt$id,gsub(""▼|▲"", "", dt$title)
但不是他們的作品
我也試過這個:
dt$title<-gsub("^\\s*<U\\+\\w+>\\s*", "", dt$title)
但是我收到了這個錯誤:
Error in `$<-.data.frame`(`*tmp*`, title, value = character(0)) :
replacement has 0 rows, data has 66366
我注意到在R控制台中我的數據顯示如下:
چوب شور آلبینا شیرین عسل ۳۰ گرمی
並且Unicode已經顯示為波斯數字,我試過這個並且它有效:
dt$title<-gsub("[۰-۹]+", "", dt$title)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.