为何R与PostgreSQL中"a" < "A"返回TRUE？

问题背景 #

原本认为字符的字典序比较对应其Unicode数值编码的数值比较，例如在R中的测试：

> utf8ToInt("a")
[1] 97

> utf8ToInt("b")
[1] 98

# 因97 < 98，以下字典序比较返回TRUE
> "a" < "b"
[1] TRUE

但遇到了不符合预期的特殊情况：

> utf8ToInt("a")
[1] 97

> utf8ToInt("A")
[1] 65

# 按Unicode码点97 > 65，理论上应返回FALSE，但实际返回TRUE
> "a" < "A"
[1] TRUE

测试发现，Python 3.10.4、DuckDB 0.7.0执行'a' < 'A'均返回FALSE；但PostgreSQL 15.3与R一致返回TRUE，因此产生疑问。

原因解析 #

R和PostgreSQL的字符串比较并非直接使用Unicode码点的数值大小，而是依赖**系统区域设置（locale）**的排序规则：

• 多数系统默认的区域设置（如en_US.UTF-8）采用不区分大小写优先的排序规则，这类规则会先忽略大小写比较字符，再区分大小写排序，最终导致"a"被判定为小于"A"。
• 而Python、DuckDB默认使用基于Unicode码点的二进制排序（binary collation），直接比较字符的Unicode数值，因此97（a）>65（A），返回FALSE。

R中的验证与修改 #

可以通过切换区域设置来改变排序行为：

# 切换为二进制排序，按Unicode码点比较
Sys.setlocale(category = "LC_COLLATE", locale = "C")
"a" < "A"  # 返回FALSE

# 恢复系统默认区域设置
Sys.setlocale(category = "LC_COLLATE", locale = "")
"a" < "A"  # 返回TRUE（取决于系统默认locale）

PostgreSQL中的验证与修改 #

PostgreSQL支持显式指定排序规则：

-- 使用二进制排序，返回FALSE
SELECT 'a' < 'A' COLLATE "C";

-- 使用默认区域排序，返回TRUE
SELECT 'a' < 'A';

内容的提问来源于stack exchange，提问作者user17911