[Day 7] R語言中的字串資料、路徑與編碼

15th鐵人賽 text mining 文字探勘 r語言 r

rlover

2023-09-22 02:27:54

707 瀏覽

分享至

R語言中的字串資料

前面章節「總統演說」的範例中，能看到R語言中常見的文字資料格式，要不是儲存在dataframe中，每筆資料都是文章、段落、句子，或者是用list將文章存在每一個元素中。不過，文字資料其實有著許多眉角，這個章節會談編碼、匯入和匯出三件事情，希望減少你的踩雷機會。

路徑與編碼

路徑

我們先來複習路徑（path）的概念，以免後續匯入資料時出現問題。無論是R語言，或者是其他程式語言，甚至是整體電腦科學，都有路徑這個專有名詞，它指的是檔案所在地址。

路徑可以分為絕對路徑與相對路徑，前者很直觀，就是完整地址，例如"/Users/rlover/textmining/data/encoding.csv"；後者則是現在所處檔案路徑和檔案所在位置的相對關係，舉例來說，我現在正開啟"/Users/rlover/textmining/這個專案，從我站的位置看起來，剛剛那個檔案的相對路徑就會是"data/encoding.csv"。

為什麼要知道路徑？就像平常寫信要知道地址一樣，讀取資料時也需要路徑，通常匯入資料的函數中，會有一個參數要指名路徑。

那麼，要怎麼取得路徑呢？除了堅持老派的手寫溫度，自己一個一個字輸入以外，還有什麼辦法？
* Mac：右鍵再按 options or option + command + c
* Windows：shift 再按右鍵 or ctrl + L
* Windows：直接從 address bar or file explorer 複製
* reference：Mac & Windows

路徑中的斜線與反斜線： Mac copy 得到的路徑用 /間隔，可以直接使用，Windows copy 得到的路徑用 \間隔，不能直接用，要修正成 / or \\，"data/a.csv" or "data\\a.csv" 都可以

至於路徑的「語言」，基本上使用英文一定沒問題，但若路徑中包含中文，就有可能出錯，即使現在沒問題，也不代表以後沒問題，尤其是 Windows 非常煩人。建議將R和RStudio安裝在英文路徑中，且使用者名稱用英文。

路徑相對好改，因為只要修改檔案名稱或資料夾名稱就好，但想修改使用者名稱，只能新創英文帳號，若還是想用中文，可以設置環境變數。

另外，在R語言中時常會遇到權限問題，建議R和RStudio不要安裝在Windows的OneDrive資料夾，.R檔案或.Rmd檔案最好不要放在自動跟雲端硬碟同步的資料夾，譬如Google Drive 或是 Dropbox 都有危險。

當你需要讀取大量、位置四散各地的文字檔案時，上面這些建議說不定就會派上用場，因此可以先將有個章節談這件事情，放在心上，有需要的時候再回來看。

編碼

在認識如何匯入與匯出文字資料前，得先認識何謂字元編碼（character
encoding）。我們知道電腦用 0,1
儲存資訊，字元編碼就是利用數字代表文字與符號。

以ASCII
編碼為例，它由美國制定，用來對應英文符號與二進制，大約可以表示128 個文字符號和數字之間的關係。舉例來說，A 的編碼是65，也就是二進制中的01000001，但如果享用ANCII表達英文以外語言例如中文，會遇上兩個問題。

第一，ASCII編碼的符號不夠，例如naïve的ï就不在其中，需要新的編碼才能處理。第二，不同國家的符號與二進制對應方式不同，例如é vs. ג (法 vs. 希)，就是一個實例。

若改看ANSI編碼，它是Windows作業系統上的code page，對應到預設編碼，也就是說，它會因應當前系統區域（locale）決定使用編碼，像是繁體中文對應 BIG5，簡體中文對應GB2312，日文可能是JIS。不過，當台灣人存ANSI時代表以BIG5編碼儲存，可是日本人打開打開記事本的時候，ANSI判斷後會用JIS解碼，儲存時的編碼和讀取時設定的編碼方式不同，因此出現亂碼。

還有其他選擇嗎？我們還有另一種厲害武器，稱為Unicode，它是一種納入所有字元的萬國碼，收錄上百萬個文字與符號，稱為字符集（character set），例如U+963f 代表 阿、U+4E25代表严，U+0041代表 A。

它只規定對應方式（集合 set），沒規定儲存方式（編碼，encoding），例如U+4E25的4E25轉成二進制為100111000100101，15位元，因此能夠涵蓋幾乎所有字元，解決前述提的編碼不夠、出現亂碼等問題。然而，它也面臨挑戰，包含長度問題，例如原本128個符號用8個位元儲存，現在要使用兩倍長度的位元才能達成，同時還有辨識問題，我們很難分辨如何確知是用一個還是兩個符號拼在一起。

想要解決這個問題，就需要轉成二進制的儲存方式，而UTF-8編碼，就是其中一種解方。它的長度彈性，前綴數字表示長度，後面數字代表符號，且涵蓋ASCII的編碼，是目前網頁採用的編碼主流，2008年超過60%、2015年更超過80%網頁都在使用。

了解編碼的簡單歷史後，我們要進到下一個重要議題：亂碼。

不只是在R語言中探勘文字資料，生活中就有諸多會遇到亂碼的場景。有時候打開電子郵件、將資料匯入至Excel，甚至是用記事本和notepad++，都會遇到亂碼問題。從上面介紹中我們知道，亂碼會出現，就是因為儲存時的編碼和讀取時設定編碼不同。

在R或者RStudio遇到亂碼時，應該怎麼處理？首先，我們要判斷問題起因，到底是個別檔案問題，還是R語言或者RStudio的環境問題，又或者是系統編碼設定問題？底下我們整理不同問題的解決方式供你參考。

個別檔案的編碼問題（預設以RStudio開啟)
- .R or .Rmd 的亂碼
  1. 檢查編碼方式：x <- '中文'; Encoding(x)
  2. 什麼都不設定，會用系統預設的編碼讀取檔案，底下討論
  3. 調整預設編碼 or 以 UTF8 編碼開啟檔案，請參考連結第一部分，主要是調設定
- 讀取 .csv or .txt 的亂碼：建議都改成 UTF8
  1. 手動更改編碼 e.g. 在記事本裡面另存成其他編碼
  2. 讀取檔案時在函數中設定編碼 e.g. read.csv() 裡面的參數fileEncoding = "UTF-8"
  3. 讀進檔案後再轉碼
    e.g. df <- readLines("a.CSV", encoding="big5");df <- iconv(df, "big5", "utf8")
R/RStudio 的編碼問題
- R console 中文變亂碼：上網查原因 e.g. R 版本太新
- R Studio 某些預覽有問題：上網查原因 e.g. 開發的bug（2021年中文出現災情）
- 圖片預覽中文無法顯示：字體問題 (尤其Mac)，可以用設定正確字體解決
系統編碼問題
- 讀檔的編碼改了依然有中文亂碼：R 會用系統的預設編碼
- 利用 Sys.getlocale() 查看編碼，利用 Sys.setlocale() 更改編碼，兩個參數，category代表要修改的類別，locale
  代表系統區域
- 不同作業系統
  1. Mac：Sys.setlocale(category = "LC_ALL", locale = "UTF-8")
  2. Win：Sys.setlocale(category = "LC_ALL", locale = "cht")

最後統整上面段落的資訊，免得看了眼花撩亂：

Windows 很不友善、路徑跟檔案名稱最好都英文
編碼有很多種，能用 UTF-8 就用 UTF-8
亂碼可能是檔案編碼、R/RStudio 的 bug、系統預設編碼
.R 亂碼調整 file encoding
讀 csv 可以手動調整、讀取時設定、讀取後轉換
顯示中文有問題可能是 bug，或是要調整系統編碼

匯入文字資料

前面提到，匯入檔案時，編碼可能出現問題，因此我們可以在匯入前，先用notepad++、記事本、Excel等文書處理工具觀察檔案。當然，你也可以懶得打開其他程式，直接用R讀讀看，跟資料拼了，聽起來非常熱血。

不過如果欄位名稱為中文，編碼又設定錯誤，很遺憾地我們無法匯入資料，連觀察編碼都沒機會，這時候就真的要先用文書軟體打開確認；若欄位名稱為英文，只是編碼錯誤，那就可以匯進R語言後再修改編碼。

總結來看，我們有三種方法處理亂碼問題，第一是直接用文書軟體修改原始檔案編碼，第二是讀取檔案時設定參數，第三是讀取時不管亂碼，等資料進到R語言環境後再來修改編碼。

底下來看實際範例。第一個範例中，我們使用109Q1實價登錄資料，這個檔案的欄位名稱和資料內容都是中文，但編碼不是readr匯入資料函數預設的UTF8。

# 直接讀遇上錯誤
df_land_109Q1_test <- read_csv("data/109Q1_a_lvr_land_a_build.csv")
# Error in make.names(x) : invalid multibyte string at '<bd>s<b8><b9>'
# 設定參數，編碼為BIG5，就可以讀了
df_land_109Q1_test <- read_csv("data/109Q1_a_lvr_land_a_build.csv", 
                               locale = locale(encoding = "BIG5"))

第一個範例中，我們使用各縣市用電資料
，這個檔案的欄位名稱是英文，讀取沒有問題，但資料內容都是中文，再次遇到亂碼。

# 直接讀遇上沒錯但遇到亂碼
df_electricity_usage_test <- read_csv("data/electricity_usage.csv")
# 讀進來後修改編碼就搞定
df_electricity_usage_test$county <- 
  iconv(df_electricity_usage_test$county, 
        from = "BIG5", to = "UTF8")

從上面例子看R語言匯入資料可能遇上的問題。現在環境下大部分資料都用UTF8編碼儲存，因此平常不太會踩雷，但若是政府開放資料，就會時常遇到BIG5，簡體中文還有其他編碼，使用時要多加注意。

匯出文字資料

談完匯入，我們改看匯出。最常見的格式如.csv，一般也是用readr::write_**()相關函數匯入資料，預設輸出編碼和輸入一樣，都是以UTF8為編碼，因此可以替我們省下很多心力。

不過，在看傳統程式碼的時候，除了base R體系的write.**()函數以外，我們還會另外看到R語言中兩個內建函數，可以拿來讀寫
R 的物件。

單一物件 .rds：readRDS()/saveRDS() or
readr::read_rds()/write_rds()
- write_rds(mtcars, "data/mtcars.rds")
很多物件 .RData：save() or load()
- e.g. save(data1, data2, file = "data/d0102.RData")

file_r <- "data/"
a <- 1
b <- 2

### export
write_rds(a, str_c(file_r, "a.rds"))
save(a, b, file = str_c(file_r, "a_b.RData"))

### load
a_check <- read_rds(str_c(file_r, "a.rds"))

rm(a)
rm(b)
load(file = str_c(file_r, "a_b.RData"))

進行文字探勘前，我們要先匯入資料，匯入時要考慮文字編碼。匯入後，我們要確保文字資料的儲存格式，因為不同框架有各自習慣的資料結構。文字探勘完成後，我們會匯出資料，這時候要考慮以何種檔案格式匯出，同時也會確認編碼設定無誤。這些就是在R語言中和文字資料交手時，要注意的眉角！