R语言依赖排序

Question

1)如何正确排序？

任务是按照英文字母对美国州名缩写进行排序.但我注意到,R根据某种操作系统语言或区域设置对列表进行排序.例如,在我的语言(立陶宛语)中,甚至拉丁语(非立陶宛语)字母的顺序也与英语字母表中的顺序不同.仅在两个字母表中比较非立陶宛字母的顺序:

"ABCDEFGHI Y JKLMNOPRSTUVZ"

sort(LETTERS)
 [1] "A" "B" "C" "D" "E" "F" "G" "H" "I" "Y" "J" "K" "L" "M" "N"
[16] "O" "P" "Q" "R" "S" "T" "U" "V" "W" "X" "Z"

与

"ABCDEFGHIJKLMNOPQRSTUVWX Y Z"

LETTERS
 [1] "A" "B" "C" "D" "E" "F" "G" "H" "I" "J" "K" "L" "M" "N" "O"
[16] "P" "Q" "R" "S" "T" "U" "V" "W" "X" "Y" "Z"

因此,状态的排序缩写的顺序也不同(注意最后2个,它们应该是"WV"然后是"WY"):

sort(state.abb)
 [1] "AK" "AL" "AR" "AZ" "CA" "CO" "CT" "DE" "FL" "GA" "HI" "IA"
[13] "ID" "IL" "IN" "KY" "KS" "LA" "MA" "MD" "ME" "MI" "MN" "MO"
[25] "MS" "MT" "NC" "ND" "NE" "NH" "NY" "NJ" "NM" "NV" "OH" "OK"
[37] "OR" "PA" "RI" "SC" "SD" "TN" "TX" "UT" "VA" "VT" "WA" "WI"
[49] "WY" "WV"

我试过了Sys.setlocale("LC_TIME","English_United States.1252").它有助于在情节,图表和数字中获得工作日的英文名称.

现在我需要帮助以"英语"方式正确排序.

2)初学者R用户应该注意哪些其他重要的语言相关设置？

如果你有建议,R的行为与语言有关,以及如何处理,请列出.

Answer 1

我对 R 不熟悉，但它似乎与许多其他编程语言存在相同的问题：标准库中缺少本机 Unicode 支持。“Unicode 支持”是指 Unicode 标准 ( http://www.unicode.org/versions/Unicode7.0.0/ch03.pdf ) 的第 3 章，Unicode 标准的附件（尤其是处理排序规则的附件http: //unicode.org/reports/tr10/ ) 和最新版本的 CLDR ( http://cldr.unicode.org/）。从本质上讲，如果不选择一些“真实”的方法并忽略文化差异，就无法标准化排序的模糊规则。通过允许忽略某些细节（如变音符号）的多个校对级别，创建大小写折叠算法（在某些情况下 toLower(toUpper(str)) != toLower(str)），通过 CLDR 定义校对规则，部分地缓解了这种情况数据库，但问题仍然存在。还有一些问题，例如上下文相关的比较 ( http://unicode.org/reports/tr10/#Contextual_Sensitivity )，如果您想进行“正确”的字符串比较，则需要使用符合 Unicode 标准的成熟解决方案.

有一个名为 ICU（Unicode 国际组件）的著名库，与其他库相比，它实现了 Unicode 标准中的大量功能。它在 C/C++ 和 Java 中有实现（所有开源都具有类似 BSD 的许可证，但也绑定到其他语言的 C 版本，包括 R（https://cran.r-project.org/web/packages/ stringi/ , http://site.icu-project.org/related）因此您可以使用“stringi”项目使用 ICU 语言环境和整理工具进行文本处理。

更新：为了使用 ICU 整理方法，您需要获得 ICU4C（因不同的操作系统而异），然后为 R 语言安装一个包：

install.packages('stringi')

那么你应该导入它

library(stringi)

之后您可以使用这些类型的函数（http://docs.rexamine.com/R-man/stringi/stri_compare.html）。您可以将其他参数传递给在这些函数（http://docs.rexamine.com/R-man/stringi/stri_opts_collat​​or.html）末尾创建的整理器，这将影响比较的执行方式.

stri_cmp_lt("WV", "WY", locale="lt_LT")
stri_cmp_lt("WV", "WY", locale="en_US")
stri_compare("WV", "WV", locale="en_US", strength='1')

例如，上面的“强度”参数设置了所谓的“整理级别”（http://unicode.org/reports/tr10/#Notation）。区域设置由此处指定的语言和国家/地区代码指定 ( http://userguide.icu-project.org/locale )。您可以使用这些函数来实现自定义排序函数（例如使用这些函数进行比较的快速排序），因为内置函数似乎没有提供任何更改排序谓词的方法。

更新 2：或者，甚至比实现自己的排序更好，只需使用stri_sort允许您指定自定义 ICU 整理器 ( http://docs.rexamine.com/R-man/stringi/stri_order.html )的函数，如下所示：

stri_sort(state.abb, locale="en_US")
stri_sort(state.abb, locale="lt_LT")

[1] "AK" "AL" "AR" "AZ" "CA" "CO" "CT" "DE" "FL" "GA" "HI" "IA" "ID" "IL" "IN"
[16] "KS" "KY" "LA" "MA" "MD" "ME" "MI" "MN" "MO" "MS" "MT" "NC" "ND" "NE" "NH"
[31] "NJ" "NM" "NV" "NY" "OH" "OK" "OR" "PA" "RI" "SC" "SD" "TN" "TX" "UT" "VA"
[46] "VT" "WA" "WI" "WV" "WY"
 [1] "AK" "AL" "AR" "AZ" "CA" "CO" "CT" "DE" "FL" "GA" "HI" "IA" "ID" "IL" "IN"
[16] "KY" "KS" "LA" "MA" "MD" "ME" "MI" "MN" "MO" "MS" "MT" "NC" "ND" "NE" "NH"
[31] "NY" "NJ" "NM" "NV" "OH" "OK" "OR" "PA" "RI" "SC" "SD" "TN" "TX" "UT" "VA"
[46] "VT" "WA" "WI" "WY" "WV"

请注意，WV 和 WY 现在在不同的语言环境中处于不同的位置。

Answer 2

LC_TIME控制日期/时间相关的语言整理.为了您的目的,LC_ALL应该做的诀窍:

Sys.setenv('LC_ALL', 'English_United States.1252')
sort(letters)

但请注意,这些设置是特定于操作系统的.例如,上述内容不适用于典型的Unix系统.相反,字符串'en_US.UTF-8'通常是一个很好的设置 - 但在Windows下,这本身可能会带来问题,因为R的Unicode支持在Windows上是粗略的.