Windows系统下:
read.csv()和read.table()方法不指定文件格式时,默认读取的文件是GBK(GB2312)格式。Rstudio里面有设置默认文本编码方式,但是修改前后读入中文数据情况都一样。
#####re
"\t",fileEncoding = "GB2312", encoding = “GB2312”)
#####re
"UTF-8",encoding = "UTF-8")
Linux(我使用的Redhat)系统下:
系统指定中文编码方式是UTF-8,所以read.csv()和read.table()都要求UTF-8。
如下两个文件,分别是UTF-8格式和GBK格式,首先用read.csv读取,可以看到不指定编码方式时,读取UTF-8格式文件是乱码。用encoding指定读取的文件编码方式为UTF-8后,正常。这样看起来read.csv()方法读取UTF-8好像可行?
那么我们再来看一个例子,相同的数据,只是最后多增加一列中文。同样,上面三种方式,读取UTF-8的时候问题直接变成了读取出错,“列的数目比列的名字要多”,并且制定编码方式为UTF-8也无法拯救你了。为什么会这样呢?
提示意思是,列名少了,那就去掉表头header=F就行了,结果如下,还是乱码,并且原本四列数据读进来后变成了七列。虽然指定encoding为UTF-8后没有了乱码,但是读取时行之间会错乱。但是用fileEncoding就没有问题了!
上述,总结而言,使用read.csv()时,有中文的话,请务必保证你的文件是GBK编码格式的。或者用fileEncoding来指定编码格式,不要用encoding!
用同样的数据来看read.table方法,只是需要多指定一个sep=”,”。同样,指定encoding无效,指定fileEncoding有效。