r - 为什么在unicode字符串上的as.factor()对于每个操作系统都返回不同的结果？

Question

为什么此代码:as.factor(c("\U201C", '"3', "1", "2", "\U00B5"))，在每个操作系统上返回因子级别的不同顺序？

在Linux上:
> as.factor(c("\U201C",'"3', "1", "2","\U00B5")) [1] " "3 1 2 µ Levels: µ " 1 2 "3
在Windows上:
> as.factor(c("\U201C",'"3', "1", "2","\U00B5")) [1] " "3 1 2 µ Levels: "3 " µ 1 2
在Mac OS上:
>as.factor(c("\U201C",'"3', "1", "2","\U00B5")) [1] " "3 1 2 µ Levels: "3 " 1 2 µ
我让一些学生提交了一个包含as.numeric(as.factor(dat$var))的RMardkown作业。现在，这不是编码的好方法，但是输出中的不一致会导致很多困惑和浪费时间。

Answer 1

这不仅是Unicode，还不仅仅是R；通常，sort(甚至在* nix命令sort中也可以)是特定于语言环境的。需要通过在所有机器上通过LC_COLLATE(根据@alistaire的注释)设置"C"(大概是Sys.setlocale)来消除差异。

对我而言，在Windows(7)上:

sort(c("Abc", "abc", "_abc", "ABC"))
[1] "_abc" "abc"  "Abc"  "ABC" 

而在Linux上(Ubuntu 12.04 ...哇，我需要升级该机器)我得到了

sort(c("Abc", "abc", "_abc", "ABC"))
[1] "abc"  "_abc" "Abc"  "ABC" 

通过上述方式设置语言环境

Sys.setlocale("LC_COLLATE", "C")

给

sort(c("Abc", "abc", "_abc", "ABC"))
[1] "ABC"  "Abc"  "_abc" "abc" 

在两台机器上都一样。
man的* nix sort页面给出了粗体警告

   *** WARNING *** The locale specified by the  environment  affects  sort
   order.  Set LC_ALL=C to get the traditional sort order that uses native
   byte values.

更新:包括Unicode字符时，我似乎重现了该问题。问题可追溯到sort-尝试在示例中对向量进行排序。我似乎也无法将语言环境(LC_COLLATE或LC_CTYPE)更改为"en_AU.UTF-8"，这将是一个潜在的解决方案。