为什么unicode字符串上的as.factor（）会为每个操作系统返回不同的结果？

Question

为什么这个代码：as.factor(c("\U201C", '"3', "1", "2", "\U00B5"))，在每个操作系统上返回不同的因子水平排序？

在Linux上：

> as.factor(c("\U201C",'"3', "1", "2","\U00B5")) [1] " "3 1 2 µ Levels: µ " 1 2 "3

在Windows上：

> as.factor(c("\U201C",'"3', "1", "2","\U00B5")) [1] " "3 1 2 µ Levels: "3 " µ 1 2

在Mac OS：

>as.factor(c("\U201C",'"3', "1", "2","\U00B5")) [1] " "3 1 2 µ Levels: "3 " 1 2 µ

我有一些学生提交的R包含as.numeric(as.factor(dat$var))的Mardkown作业。现在认为这不是一种好的代码编写方式，但是输出的不一致导致了很多混乱和浪费时间。

Answer 1

这不仅仅是Unicode而且不仅仅是R;一般而言（如甚至在* nix命令sort中）可以是区域特定的。需要在所有机器上设置LC_COLLATE（推测为"C"）通过Sys.setlocale（根据@ alistaire的评论）来消除差异。

对于我来说，在Windows（7）：

sort(c("Abc", "abc", "_abc", "ABC")) 
[1] "_abc" "abc" "Abc" "ABC" 

而在Linux（Ubuntu的12.04 ...哇，我需要升级机器）我得到

sort(c("Abc", "abc", "_abc", "ABC")) 
[1] "abc" "_abc" "Abc" "ABC" 

设置的语言环境按照上述经由

Sys.setlocale("LC_COLLATE", "C") 

给出

sort(c("Abc", "abc", "_abc", "ABC")) 
[1] "ABC" "Abc" "_abc" "abc" 

在两台机器上完全相同。

* nix中man页sort给出了大胆的警告

*** WARNING *** The locale specified by the environment affects sort 
    order. Set LC_ALL=C to get the traditional sort order that uses native 
    byte values. 

更新：貌似我重现问题包括Unicode字符时。问题追溯到sort - 尝试在您的示例中排序向量。我似乎无法将语言环境（LC_COLLATE或LC_CTYPE）更改为"en_AU.UTF-8"，这将是一个潜在的解决方案。

Answer 2

“因素”结构期望转换为字符值，因此需要以某种字体或其他字体编码。默认值是操作系统特定的。词汇排序顺序跟随语言环境。

为有用程度@罗兰的前回答这个问题指甲的语言环境的问题，但不是编码问题：Is the default ("automatic") ordering for factors a part of the R specification? Alphabetical? Same on all platforms?

Answer 3

我试图改变区域设置，但我无法来解决这个问题。但是，考虑到我们可以将此问题追溯到sort函数，可能的替代方法是重新定义factor和as.factor函数，而不使用sort函数。

as.factor2 <- function(x){ 
    if (is.factor(x)) 
    x 
    else if (!is.object(x) && is.integer(x)) { 
    levels <- unique.default(x) # Removed sort() 
    f <- match(x, levels) 
    levels(f) <- as.character(levels) 
    class(f) <- "factor" 
    f 
    } 
    else factor2(x) 
} 

factor2 <- function (x = character(), levels, labels = levels, exclude = NA, 
      ordered = is.ordered(x), nmax = NA) 
{ 
    if (is.null(x)) 
    x <- character() 
    nx <- names(x) 
    if (missing(levels)) { 
    y <- unique(x, nmax = nmax) 
    ind <- 1:length(y) # Changed from sort.list(y) 
    y <- as.character(y) 
    levels <- unique(y[ind]) 
    } 
    force(ordered) 
    exclude <- as.vector(exclude, typeof(x)) 
    x <- as.character(x) 
    levels <- levels[is.na(match(levels, exclude))] 
    f <- match(x, levels) 
    if (!is.null(nx)) 
    names(f) <- nx 
    nl <- length(labels) 
    nL <- length(levels) 
    if (!any(nl == c(1L, nL))) 
    stop(gettextf("invalid 'labels'; length %d should be 1 or %d", 
        nl, nL), domain = NA) 
    levels(f) <- if (nl == nL) 
    as.character(labels) 
    else paste0(labels, seq_along(levels)) 
    class(f) <- c(if (ordered) "ordered", "factor") 
    f 
} 

我们现在可以称之为as.factor2如下：

as.factor2(c("\U201C",'"3', "1", "2","\U00B5")) 
# [1] “ "3 1 2 µ 
# Levels: "3 “ 1 2 µ 

我不会说这是你的问题的解决方案;这更多的是解决方法。特别是因为这涉及教学生，我宁愿不重新创建基本的R函数。希望别人可以提供更简单的解决方案。