使用包 memisc 解析 SPSS 文件时控制编码答案

【问题标题】：Control encoding when parsing SPSS file using package memisc使用包 memisc 解析 SPSS 文件时控制编码
【发布时间】：2015-08-24 05:39:48
【问题描述】：

我得到了一个 SPSS 系统文件，我想使用 R 进行分析。我正在使用以下魔法将文件解析为 R。

library(memisc)
foo <- spss.system.file("foobar.sav")
bar <- subset(foo, select=c(var1,var2,var3))

查看解析后的数据时，您会得到以下信息：

> bar
Data set with 379 observations and 3 variables

var1       var2        var3
1      gut    weiblich      Herbst
2      gut mnlich      Sommer
3      gut mnlich      Sommer
4      gut mnlich      Winter
5      gut mnlich Fr�hling
6      gut mnlich Fr�hling
7      gut    weiblich Fr�hling
.
.
.
25      gut    weiblich Fr�hling
.. ........ ........... ...........
(27 of 379 observations shown)

我想你明白了。我相对确定 .sav 文件已使用 latin1 编码保存。解析 SPSS 文件时如何告诉spss.system.file() 使用此编码？

【问题讨论】：

标签： r encoding utf-8 spss latin1

【解决方案1】：

感谢大家的帮助。我将回答我自己的问题。 spss.system.file() 按原样读取包含在 SPSS 文件中的字符串，无需任何翻译。因此，生成的字符串不包含任何编码信息。 memisc 包包含一个函数 Iconv，不过，它的作用与 Unix 函数 iconv 完全一样。

> library(memisc)
> foo <- spss.system.file("foobar.sav")
> foo <- Iconv(foo,from="Latin1",to="UTF-8")
> foo <- as.data.frame(as.data.set(foo))
> head(foo$Geschlecht)
[1] weiblich männlich männlich männlich männlich männlich
Levels: männlich weiblich

一切顺利。

【讨论】：

【解决方案2】：

该输出清楚地表明该函数未考虑文件中的字符编码，或者该编码未正确声明。那些？字符表示误解或错误书写的字符。我希望它们是 u-umlaut，但在代码页 1252 中，e4 实际上是 a-umlaut。

Sav 文件的编码已标记，因此应予以尊重。如果文件是由 SPSS 创建的，则标记将是正确的，但是我们看到了第三方代码编写的 sav 文件没有正确标记文件的情况。

我很确定这个文件实际上是用代码页 1252 编写的，但编码可能被错误地声明为 utf-8，假设上面的显示实际上可以正确地表示扩展字符。

SPSS SYSFILE INFO 命令将显示声明的编码（如果有），但您也可以查看文件第一部分的十六进制转储并查看它。

【讨论】：

【解决方案3】：

此问题可能特定于 memisc 包。如果您不想坚持使用 memisc，请尝试使用 foreign 包的 read.spss 函数作为快速解决方案。还可以考虑在您的问题中添加memisc 标签。

【讨论】：

我确实怀疑这确实是 memisc 包的问题，因为我已要求将 sav 文件保存在 utf-8 中。解析结果现在是：m\xe4nnlich 而不是 mnlich。 read.spss 函数似乎已经过时并且确实——不幸的是——不起作用，这就是我使用memisc 的原因。添加标签 memics 不起作用，因为它需要 5000 票才能使其成为标签。