R 如何处理 Unicode / UTF-8？

Question

如果我写

`Δ` <- function(a,b)   (a-b)/a 

然后我可以包含U+394，只要它包含在反引号中。 （相比之下，Δ <- function(a,b) (a-b)/a 以 unexpected input in "�" 失败。）所以显然 R 解析 UTF-8 或 Unicode 或类似的东西。作业进展顺利，eg 的评估也进展顺利

`Δ`(1:5, 9:13)

。我也可以评估Δ(1:5, 9:13)。

最后，如果我定义了 winsorise <- function(x, λ=.05) { ... } 之类的东西，那么 λ (U+3bb) 不需要 需要用反引号“引入”R。然后我可以毫无问题地拨打winsorise(data, .1)。

---

在 R 的文档中，我能找到的唯一一个 unicode 的 mention 已经超出了我的想象。理解它的人能否更好地向我解释一下——当 R 需要 ` 来理解分配给♔但可以解析 ♔(a,b,c) 时，“幕后”发生了什么？

Answer 1

我无法谈论函数调用与函数参数的幕后情况，但 2008 年的 this email from Prof. Ripley 可能会有所启发（摘录如下）：

R 很好地传递、打印和绘制 UTF-8 字符数据，但它转换为几乎所有字符级操作的本机编码（不仅在 Windows 上）。 ?Encoding 说明了例外情况 [...]

the documentation that the OP linked to 中提到了 R 进行这种翻译的原因（至少在 Windows 上）：

Windows 没有 UTF-8 语言环境，而是希望使用 UCS-2 字符串。 R（用标准 C 编写）如果不进行大量更改，将无法在 UCS-2 内部工作。

?Quotes 的 R 文档解释了有时如何使用超出区域设置的字符（已添加重点）：

标识符由一系列字母、数字、句点 (.) 和下划线组成。 它们不能以数字或下划线开头，也不能以句点后跟数字。保留字不是有效的标识符。

字母的定义取决于当前的语言环境，但只有 ASCII 数字才被认为是数字。

此类标识符也称为句法名称，可以直接在 R 代码中使用。几乎总是，可以使用其他名称，只要它们被引用。首选引号是反引号 (`)，deparse 通常会使用它，但在许多情况下可以使用单引号或双引号（因为字符常量通常会转换为名称）。反引号可能必不可少的一个地方是在公式中分隔变量名称：请参阅公式。

还有另一种获取此类字符的方法，即使用 unicode 转义序列（例如 \u0394 表示 Δ）。如果您将该字符用于绘图上的文本以外的任何内容，这通常是一个坏主意（即，不要对变量或函数名称执行此操作；参见the R 2.7 release notes 的引用，当当前的大部分 UTF添加了-8支持）：

如果提供给解析器的字符串包含在当前语言环境中无效的 \uxxxx 转义，则该字符串会以 UTF-8 格式记录并声明编码。 如果稍后在会话中使用它可能会引发错误，但它可以打印出来，并用于例如在 windows() 设备上绘图。 所以“\u03b2”给出了一个希腊小测试版，“\u2642”给出了一个“男性符号”。这样的字符串将被打印为例如<U+2642> 除了在 Rgui 控制台中（见下文）。

我认为这解决了您的大部分问题，尽管我不知道为什么您提供的函数名称和函数参数示例之间存在差异；希望有更多知识的人可以参与进来。仅供参考，在 Linux 上，所有这些分配和调用函数的不同方式都可以正常工作（因为系统语言环境是 UTF-8，所以不需要进行翻译）：

Δ <- function(a,b) (a-b)/a         # no error
`Δ` <- function(a,b) (a-b)/a       # no error
"Δ" <- function(a,b) (a-b)/a       # no error
"\u0394" <- function(a,b) (a-b)/a  # no error
Δ(1:5, 9:13)        # -8.00 -4.00 -2.67 -2.00 -1.60
`Δ`(1:5, 9:13)      # same
"Δ"(1:5, 9:13)      # same
"\u0394"(1:5, 9:13) # same

sessionInfo()

# R version 3.1.2 (2014-10-31)
# Platform: x86_64-pc-linux-gnu (64-bit)

# locale:
# LC_CTYPE=en_US.UTF-8    LC_NUMERIC=C                LC_TIME=en_US.UTF-8
# LC_COLLATE=en_US.UTF-8  LC_MONETARY=en_US.UTF-8     LC_MESSAGES=en_US.UTF-8
# LC_PAPER=en_US.UTF-8    LC_NAME=C                   LC_ADDRESS=C
# LC_TELEPHONE=C          LC_MEASUREMENT=en_US.UTF-8  LC_IDENTIFICATION=C

# attached base packages:
# stats  graphics  grDevices  utils  datasets  methods  base  

Answer 2

作为记录，在 R-devel (2015-02-11 r67792)、Win 7、English UK locale 下，我看到了：

options(encoding = "UTF-8")

`Δ` <- function(a,b) (a-b)/a 
## Error: \uxxxx sequences not supported inside backticks (line 1)

Δ <- function(a,b) (a-b)/a
## Error: unexpected input in "\"

"Δ" <- function(a,b) (a-b)/a      # OK

`Δ`(1:5, 9:13)
## Error: \uxxxx sequences not supported inside backticks (line 1)

Δ(1:5, 9:13)
## Error: unexpected input in "\"

"Δ"(1:5, 9:13)
## Error: could not find function "Δ"