今天博客主要是解決一個學(xué)R語言里面最最痛苦的問題（嗯，python2.x里面也有），就是中文亂碼問題：

一般用R語言的同學(xué)，多半遇見過以下這個問題：

反正蝦神我每次遇見這個問題，立刻就是：

實際上這個問題寫代碼的人一般都能遇見，不同字符編碼的問題，如果是從文件里面讀的還好說，可以帶這個字符編碼集一起讀，但是如果這個數(shù)據(jù)是來自于數(shù)據(jù)庫的，如果經(jīng)驗的話，那就真得各種涼拌了。

下面我簡單把我今天通過R語言從Postgresql數(shù)據(jù)庫中處理中文問題的整個流程說說，如果哪位同學(xué)也遇上了，可以參考我的整個解決方式。

下面這個代碼是簡單的從R連接Postgresql獲取數(shù)據(jù)的過程，如果沒有中文，就一切ok:

library(ggplot2)
library(RPostgreSQL)
drv= dbDriver("PostgreSQL")
pgCon=dbConnect(drv,user="sde",password="sde",host="127.0.0.1")
s ="select * from chinapop"
rs = dbSendQuery(pgdb, statement = s)
df = fetch(rs, n = -1)

數(shù)據(jù)是我SDE庫里面的，內(nèi)容如下：

在數(shù)據(jù)庫里面表現(xiàn)如下：

結(jié)構(gòu)非常簡單，大部分字段都是數(shù)字型，只有name這個字段是中文的，當我們運行連接和查詢之后，在R語言里面就變成了這個一個dataframe：

然后我們?nèi)绻脒M行一下查詢，比如要查一下以“南”在結(jié)尾的?。ê稀⒑幽?、海南、云南），那么sql語句變成：

一下就讓我們抓狂了……生無可戀啊……

然后我們來看看為什么會出現(xiàn)這個問題，首先當然看看你的R語言的環(huán)境，這個可以通過sessionInfo()來實現(xiàn)

原來R語言默認使用的是你系統(tǒng)的字符集——我這里win7中文版，默認的字符集就是cp936,也就是所謂的gb2312編碼。

然后再來看看我們數(shù)據(jù)庫用的編碼，我這里是Postgersql，其他的數(shù)據(jù)庫查看方式自己百度：

字符編碼是UTF-8……好吧，知道這個問題就好解決了。

首先，從數(shù)據(jù)庫里面獲取的數(shù)據(jù)，回來的是UTF8的，那么我們可以轉(zhuǎn)成R的字符編碼，轉(zhuǎn)換的函數(shù)R語言里面已經(jīng)提供了，叫做iconv(), 如下：

將df里面的name數(shù)列，從UTF8的編碼，轉(zhuǎn)換為CP936，這樣就變成了中文了。

下面就可以用同樣的方式來處理中文查詢的問題：

這次是從CP936轉(zhuǎn)換為UTF8來執(zhí)行，語句如下：

s =paste("select * from chinapop where name like '%",iconv("南","CP936","UTF8"),"'",sep = "")

paster函數(shù)，是R語言里面的字符串連接函數(shù)。

下面拋出了一個警告，所里面有個字段類型是st_geometry類型的，R語言讀不了……這個是ArcGIS的東西，直接不管。

然后我們可以看出，查出來4條數(shù)據(jù)，說明SQL語句執(zhí)行成功了，但是回來的還是亂碼，接下去用上面說的iconv()函數(shù)轉(zhuǎn)換一下就行：

到此，中文問題解決.

后面就是R語言老本行分析&可視化了，我們把這4個省的2008年的GDP做一個柱狀圖，代碼如下（用的是ggplot2)

qplot(name,gdp_2008,data=df,fill=gdp_2008)+geom_bar(stat='identity')

如果還需要其他的各種分析可視化，敲命令就可以了，打完收工。

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。

最新評論