如何在R中将数据集中的阿拉伯语文本转换为英文用于EDA

方法一：手动映射（推荐，适用于固定类别） #

道路事故类型通常是有限的标准化类别，手动构建翻译字典是最准确的方式，能避免API翻译的误差：

1. 先提取acci_name列的唯一值，明确需要翻译的类别：

unique_accident_types <- unique(df$acci_name)
print(unique_accident_types)

2. 构建阿拉伯语到英文的翻译字典（根据输出的唯一值，对应事故类型的专业英文表述）：

translation_dict <- c(
  "التصادم الجانبي" = "Side Collision",
  "انقلاب المركبة" = "Vehicle Rollover",
  "التصادم الأمامي" = "Front Collision",
  "اصطدام بحاجة ثابتة" = "Collision with Fixed Object"
  # 按需添加剩余类别
)

3. 用字典替换原列生成英文列：

# Base R 实现
df$acci_name_en <- df$acci_name
levels(df$acci_name_en) <- translation_dict

# dplyr 实现
library(dplyr)
df <- df %>%
  mutate(acci_name_en = recode(acci_name, !!!translation_dict))

方法二：使用翻译API（适用于非标准化/大量文本） #

如果类别较多或文本非标准化，可以调用翻译API批量转换，以googleLanguageR包为例：

1. 安装并加载包：

install.packages("googleLanguageR")
library(googleLanguageR)

2. 设置Google Cloud翻译API密钥（需先在Google Cloud平台创建项目、启用翻译API并获取密钥）：

gl_auth("your_api_key.json") # 或通过环境变量配置密钥

3. 批量翻译并合并回数据集：

# 提取唯一值减少API调用次数
unique_types <- unique(df$acci_name)
translated_types <- gl_translate(unique_types, target = "en", source = "ar")

# 合并翻译结果到原数据
translation_df <- data.frame(acci_name = translated_types$sourceText, acci_name_en = translated_types$translatedText)
df <- merge(df, translation_df, by = "acci_name", all.x = TRUE)

注意事项 #

• 编码问题：读取数据集时需指定正确编码，避免阿拉伯语乱码：

df <- read.csv("your_data.csv", encoding = "UTF-8")

• 术语准确性：翻译后需核对事故类型的专业英文表述，避免歧义影响EDA分析。
• API限制：免费API存在调用次数配额，商用场景需注意费用和限流规则。

内容的提问来源于stack exchange，提问作者Satya Pamidi