Comment détecter le bon encodage pour read.csv?
J'ai ce fichier (http://b7hq6v.alterupload.com/en/) que je veux lire en R avec read.csv. Mais je ne parviens pas à détecter l'encodage correct. Cela semble être une sorte d'UTF-8. J'utilise R 2.12.1 sur une machine WindowsXP. De l'aide?
Tout d'abord basé sur une question plus générale sur StackOverflow il n'est pas possible de détecter l'encodage du fichier avec une certitude à 100%.
J'ai eu du mal à plusieurs reprises et suis parvenu à une solution non automatique:
Utilisez iconvlist pour obtenir tous les encodages possibles:
codepages <- setNames(iconvlist(), iconvlist())
Ensuite, lisez les données en utilisant chacun d'eux
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
L'important ici est de connaître la structure du fichier (séparateur, en-têtes). Définissez l'encodage à l'aide de l'argument fileEncoding. Lisez seulement quelques lignes.
Vous pouvez maintenant rechercher les résultats:
unique(do.call(rbind, sapply(x, dim)))
# [,1] [,2]
# 437 14 2
# CP1200 3 29
# CP12000 0 1
Semble correct, c'est qu'avec 3 lignes et 29 colonnes, laisse-les donc voir:
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"
Vous pouvez également consulter les données
x[maybe_ok]
Pour votre fichier, tous ces encodages renvoient des données identiques (en partie parce qu'il y a une certaine redondance comme vous le voyez).
Si vous ne connaissez pas spécifiquement votre fichier, vous devez utiliser readLines avec quelques modifications dans le flux de travail (par exemple, vous ne pouvez pas utiliser fileEncoding, vous devez utiliser length au lieu de dim, faites plus de magie pour trouver les bons).
Le package readr, https://cran.r-project.org/web/packages/readr/readr.pdf , comprend une fonction appelée guess_encoding qui calcule la probabilité qu'un fichier soit encodé en plusieurs encodages:
guess_encoding("your_file", n_max = 1000)
Tout d'abord, vous devez comprendre quel est l'encodage du fichier, ce qui ne peut pas être fait dans R (au moins comme je le sais). Vous pouvez utiliser des outils externes pour cela, par exemple de Perl, python ou par exemple l'utilitaire file sous Linux/UNIX.
Comme l'a suggéré @ssmit, vous avez ici un encodage UTF-16LE (Unicode), alors chargez le fichier avec cet encodage et utilisez readLines pour voir ce que vous avez dans les 10 premières lignes (par exemple):
> 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"
De cela, on peut voir que nous avons un en-tête et une ligne vierge dans la deuxième ligne (qui sera sautée par défaut en utilisant le read.table fonction), le séparateur est \t et le caractère décimal est ,.
> f <- file('encoding.asc', open="r", encoding="UTF-16LE")
> df <- read.table(f, sep='\t', dec=',', header=TRUE)
Et voyez ce que nous avons:
> 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
En plus d'utiliser le package readr -, vous pouvez également choisir d'utiliser stringi :: stri_enc_detect2 . Cette fonction est particulièrement efficace si les paramètres régionaux sont connus et si vous avez affaire à une forme UTF ou ASCII: "..il s'avère que (empiriquement) stri_enc_detect2 fonctionne mieux que celui basé sur ICU [ stringi :: stri_enc_detect utilisé par le guess_encoding ] si le texte UTF- * est fourni. "
Détails sur stringi :: stri_enc_detect .
Ce fichier a un codage UTF-16LE avec BOM (marque d'ordre des octets). Vous devriez probablement utiliser encoding = "UTF-16LE"