エンコーディングとR未加工

Question

これはバグかどうかわかりません。文字のうちの1つをUTF-8にエンコードしてからrawに変換し直す場合、文字は同じではありません。私はRStudioでデフォルトのエンコーディングを "UTF-8"に設定しました。ここで

rawToChar(charToRaw(enc2utf8("vægt"))) 
[1] "vægt" 

rawToChar(charToRaw("vægt")) 
[1] "vægt" 

は私のSessionInfo（ある）

R version 3.2.2 (2015-08-14) 
Platform: x86_64-w64-mingw32/x64 (64-bit) 
Running under: Windows 7 x64 (build 7601) Service Pack 1 

locale: 
[1] LC_COLLATE=Danish_Denmark.1252 LC_CTYPE=Danish_Denmark.1252 LC_MONETARY=Danish_Denmark.1252 
[4] LC_NUMERIC=C     LC_TIME=Danish_Denmark.1252  

attached base packages: 
[1] stats  graphics grDevices utils  datasets methods base  

other attached packages: 
[1] ggthemes_2.2.1 TTR_0.23-0  lubridate_1.3.3 tidyr_0.2.0  skm_1.0.2  ggplot2_1.0.1 dplyr_0.4.3  
[8] stringr_1.0.0 dkstat_0.08  

loaded via a namespace (and not attached): 
[1] Rcpp_0.12.1  rstudioapi_0.3.1 magrittr_1.5  MASS_7.3-43  munsell_0.4.2 lattice_0.20-33 
[7] colorspace_1.2-6 R6_2.1.1   httr_1.0.0  plyr_1.8.3  xts_0.9-7  tools_3.2.2  
[13] parallel_3.2.2 grid_3.2.2  gtable_0.1.2  DBI_0.3.1  lazyeval_0.1.10 assertthat_0.1 
[19] digest_0.6.8  reshape2_1.4.1 curl_0.9.3  memoise_0.2.1 labeling_0.3  stringi_0.5-5 
[25] scales_0.3.0  jsonlite_0.9.17 zoo_1.7-12  proto_0.3-10  

Answer 1

ここで何が起こっているの私の基本的な理解です。

まず、いくつかのエンコーディングの事実：

    Encoding 
character UTF-8  CP1252 
    v   76    76 
    æ   c3 a6   e6 
    g   67    67 
    t   74    74 
    Ã   c3 83   c3 
    ¦   c2 a6   a6 

は今力学：

WindowsマシンがsessionInfo出力からわかるようにCP1252エンコーディングを使用しています。したがって、Rスクリプト内のvægt文字列は、バイト76 e6 67 74として表されます。これはcharToRaw("vægt")によって確認されます。 UTF-8に変換すると76 c3 a6 67 74となります。これらのバイトがUTF-8を表すという事実は失われます。後でrawToChar()は、これらのバイトを文字列に変換し、CP1252とします。 CP1252ではc3がÃであり、a6が¦であるため、vægtとなります。

一方、デフォルトのエンコードはUTF-8で、エンコードの不一致は発生しません。しかし、Windowsでの現象と同じような現象は、Rで使用されているエンコーディングを明示的に変更/設定することによって引き起こされる可能性があります。

これはバグではありません。