Como detectar a codificação correta para read.csv?

Eu tenho esse arquivo (http://b7hq6v.alterupload.com/en/) que eu quero ler em R com read.csv . Mas não consigo detectar a codificação correta. Parece ser um tipo de UTF-8. Estou usando o R 2.12.1 em uma máquina WindowsXP. Qualquer ajuda?

Em primeiro lugar, baseado em questões mais gerais no StackOverflow , não é possível detectar a codificação do arquivo em 100% de certeza.

Eu tenho lutado muitas vezes e chego a uma solução não automática:

Use iconvlist para obter todas as codificações possíveis:

 codepages <- setNames(iconvlist(), iconvlist()) 

Em seguida, leia os dados usando cada um deles

 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 

Importante aqui é conhecer a estrutura do arquivo (separador, headers). Defina a codificação usando o argumento fileEncoding . Leia apenas algumas linhas.
Agora você pode pesquisar resultados:

 unique(do.call(rbind, sapply(x, dim))) # [,1] [,2] # 437 14 2 # CP1200 3 29 # CP12000 0 1 

Parece que o correto é que com 3 linhas e 29 colunas, então vamos vê-las:

 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" 

Você pode ver os dados também

 x[maybe_ok] 

Para o seu arquivo, todas essas codificações retornam dados idênticos (parcialmente porque há alguma redundância como você vê).

Se você não sabe específico do seu arquivo, você precisa usar o readLines com algumas alterações no stream de trabalho (por exemplo, você não pode usar o fileEncoding , deve usar length vez de dim , fazer mais mágica para encontrar os corretos).

O pacote readr , https://cran.r-project.org/web/packages/readr/readr.pdf , inclui uma function chamada guess_encoding que calcula a probabilidade de um arquivo ser codificado em várias codificações:

 guess_encoding("your_file", n_max = 1000) 

Primeiro, você tem que descobrir qual é a codificação do arquivo, o que não pode ser feito em R (pelo menos como eu sei). Você pode usar ferramentas externas para isso, por exemplo, de Perl, python ou por exemplo. o utilitário de file no Linux / UNIX.

Como sugeriu @ssmit, você tem uma codificação UTF-16LE (Unicode) aqui, então carregue o arquivo com esta codificação e use readLines para ver o que você tem na primeira (por exemplo) 10 linhas:

 > 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" 

A partir disso, pode-se ver que temos um header e uma linha em branco na segunda linha (que será ignorada por padrão usando a function read.table ), o separador é \t e o caractere decimal é,.

 > f <- file('encoding.asc', open="r", encoding="UTF-16LE") > df <- read.table(f, sep='\t', dec=',', header=TRUE) 

E veja o que temos:

 > head(df) X Fe.2 Zn OC Si Mn PS 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 

Além de usar o pacote readr , você também pode escolher usar stringi :: stri_enc_detect2 . Esta function é particularmente eficiente se o local é conhecido e se você está lidando com alguma forma de UTF ou ASCII: “… acontece que (empiricamente) o stri_enc_detect2 funciona melhor que o baseado na ICU [ stringi :: stri_enc_detect usado pelo guess_encoding ] se o texto UTF- * for fornecido. ”

Detalhes sobre stringi :: stri_enc_detect .

Detalhes sobre stringi :: stri_enc_detect2 .

Solicitação de mudança para guess_encoding

Este arquivo tem codificação UTF-16LE com BOM (marca de ordem de byte). Você provavelmente deveria usar encoding = "UTF-16LE"