python - 使用pandas read_stata() 函数时汉字都变成乱码

Question

我正在尝试使用 read_stata() 函数读取带有 python pandas 包的 Stata .dta 文件，并且 dta 文件中有很多汉字。读入的文件全是乱码，汉字全是乱码。有什么建议吗？

Answer 1

您需要指定要使用的编解码器，默认情况下会将您的文本解码为 ISO-8859-1 (Latin-1):

pandas.read_stata(filename, encoding=codec_to_use)

参见 pandas.read_stata() documenation :

encoding: string, None or encoding
Encoding used to parse the files. Note that Stata doesn’t support unicode. None defaults to iso-8859-1.

对于中文，我猜测使用的编解码器是gb*编解码器(gb18030，gbk、gb2312)或 UTF 编解码器(UTF-8、UTF-16 或 UTF-32 ).尽管上面 Pandas 文档中有评论，但我看到了 Stata 14 supports Unicode now ，并且他们为此使用 UTF-8。

另见 Standard Encodings page了解支持的编解码器概览。