R语言包和中文乱码解决方案

常用R语言包

——数据处理：lubridata ，plyr ，reshape2，stringr，formatR，mcmc；

——机器学习：nnet，rpart，tree，party，lars，boost，e1071，BayesTree，gafit，arules；

——可视化包：ggplot2，lattice，googleVis；

——地图包：ggmap，RgoogleMaps，rworldmap；

金融包

——时间序列：zoo，xts，chorn，its，timeDate；

——金融分析：quantmod，RQuantLib，portfolio，PerformanceAnalytics，TTR，sde，YieldCurve；

——风险管理：parma，evd，evdbayes，evir，extRemes，ismev；

数据挖掘包

——聚类：

——基于划分的方法: kmeans, pam, pamk, clara ；

——基于层次的方法: hclust, pvclust, agnes, diana

——基于模型的方法: mclust

——基于密度的方法: dbscan

——基于画图的方法: plotcluster, plot.hclust

——基于验证的方法: cluster.stats

——文本挖掘：tm

——分类：

  ——策树: rpart, ctree

  ——随机森林: cforest, randomForest

  ——回归, Logistic, Poisson,glm, predict, residuals

  ——生存分析: survfit, survdiff, coxph

——统计

  ——常用的包： Base R, nlme

  ——方差分析: aov, anova

  ——密度分析: density

  ——假设检验: t.test, prop.test, anova, aov

  ——线性混合模型：lme

  ——主成分分析和因子分析：princomp

——优化

  ——最简单的：stat包中的optimize, optim 函数

——非线性优化：BB包

——线性不等式约束的非线性优化：constrOptim，adaptive barrier 算法

  ——非线性box约束优化：nlminb

  ——带约束的非线性优化：Rsolnp包中solnp函数，alabama包中的constrOptim.nl()函数

  ——线性规划：lpSolve 包中的lp函数，linprog包中的 solveLP函数

——中文分词包

——Rwordseq 中文分词包

中文编码

中文乱码是让很多编程者头痛的问题。

什么是编码？

文字符号在计算机中是用 0 和 1 的字节序列表示的，编码就是将字节序列与所要表示的文字符号建立起映射。要把各个国家不同的所有文字符号（字符集）正常显示和使用，需要做两件事情：各个国家不同的所有文字符号一一对应地建立数字编码；数字编码按一定编码规则用 0-1 表示出来。第一件事情已有一种 Unicode 编码（万国码）来解决：它给全世界所有语言的所有文字符号规定了独一无二的数字编码，字符间分隔的方式是用固定长度字节数。这样各个国家只需要做第二件事情：为自己国家的所有文字符号设计一种编码规则来表示对应的 Unicode 编码。

——汉字符号编码

再来说中国的第二件事情：汉字符号（中文）编码。历史原因产生了多种中文编码，ASCII（128 个字母和符号，英文够用）被所有编码兼容，而最常见的 UTF-8 与 GBK 之间除了ASCII 部分之外没有交集。文件采用什么编码方式，就用什么编码方式打开。只要是用不兼容的编码方式打开文件，就会出现乱码。

GBK（国标扩展）系列，根据包含汉字符号从少到多。依次是GB2312: 只包含 6763 个汉字；GBK: 包含 20902 个汉字，基本足够用；GB18030: 又分GB1830-2000 和 GB1830-2005，包含七万多个汉字；GBK 编码的汉字基本是2 字节，节省空间，但只适合国内中文环境。

UTF-8 编码（Unicode 转换格式），是 Unicode 的再表示，支持各个国家的文字符号，兼容性非常好。所以，目前 UTF-8 有一统天下的趋势。UTF-8 是一种变长编码，解决字符间分隔的方式是通过对二进制中最高位连续 1 的个数来决定该字是几字节编码。所有常用汉字的 Unicode 值均可用 3 字节的 UTF-8 表示出来。UTF-8 通常不带 BOM （字节序标记 EF BB BF，位于文件的前 3 个字节）也不需要带BOM，但 Windows 历史遗留问题又会经常遇到有 BOM UTF-8 的数据文件。

——其他编码

ANSI: 不是真正的编码，而是 Windows 系统的默认编码的统称，对于简体中文系统就是GB2312；对于繁体中文系统就是 Big5 等

Latin1: 又称 ISO-8859-1，欧洲人发明的编码，也是 MySQL 的默认编码

Unicode big endian: 用 UCS-2 格式存储 Unicode 时，根据两个字节谁在前谁在后，分为 Little endian（小端）和 Big endian（大端）

UTF-16, UTF-32: Unicode 的另两种再表示，分别用 2 字节和 4 字节。

中文乱码的解决办法

首先，查看并确认你的 windows 系统的默认编码方式：

Sys.getlocale("LC_CTYPE")                    # 查看系统默认字符集类型

#[1] "Chinese (Simplified)_China.936"        #代码936就表明是"中国- 简体中文（GB2312）"

大多数中文乱码都是 GBK 与 UTF-8 不兼容导致的，常见的有两种情形。在你的电脑不中文乱码的 R 脚本、Rmarkdown 等，拷贝到另一台电脑上时出现中文乱码。解决办法：前文在配置 Rstudio 时已讲到，设置 code-saving 的 Default text encoding 为兼容性更好的 UTF-8。数据文件采用什么编码方式，就用什么编码方式打开或读取。采用了不兼容的另一种编码打开或读取，肯定出现中文乱码。

其次，最简单的处理，打开Rstudio中菜单File—Reopen with Eecoding界面，修改中文解码源即可。

参考文献

(【R语言新书】2.2 数据读写)[https://zhuanlan.zhihu.com/p/256284851]