如何让R的DataFrame排序匹配Python的ASCII排序规则？

问题 #

在使用R对DataFrame排序时，发现其大小写敏感排序的顺序不符合标准ASCII规则（大写字母应排在小写字母之前），和Python的排序行为不一致。

当前使用的R排序代码：

df = df[do.call(order, df), ]  # 按所有列排序

Python中的排序行为（符合ASCII规则）：

$ python
Python 3.7.12 | packaged by conda-forge | (default, Oct 26 2021, 06:08:53)
>>> "A" < "a"
True

R中的排序行为（不符合ASCII规则）：

$ R
R version 3.2.0 (2015-04-16) -- "Full of Ingredients"
Copyright (C) 2015 The R Foundation for Statistical Computing
Platform: x86_64-unknown-linux-gnu (64-bit)
  Natural language support but running in an English locale
> "A" < "a"
[1] FALSE
> "A" > "a"
[1] TRUE

需要修改R的排序行为以匹配标准ASCII排序，询问是否有order函数的参数或配置设置可以更改排序顺序。

注：这并非大小写敏感与不敏感排序的区别，而是大小写敏感排序的顺序不符合标准。

解决方案 #

方法1：修改全局locale设置 #

R的字符串排序默认依赖系统locale，多数英文locale（如en_US.UTF-8）采用字典序而非纯ASCII序。可以通过将LC_COLLATE locale设置为C，强制使用ASCII排序规则：

# 临时切换到C locale，仅影响当前会话
Sys.setlocale(category = "LC_COLLATE", locale = "C")

# 执行原排序代码
df = df[do.call(order, df), ]

如果需要恢复原有locale，可先保存原设置再切换：

original_locale = Sys.getlocale("LC_COLLATE")
Sys.setlocale("LC_COLLATE", "C")
# 执行排序操作
Sys.setlocale("LC_COLLATE", original_locale)  # 恢复原locale

方法2：自定义排序键（不修改全局设置） #

若不想改变全局locale，可为字符列生成基于ASCII码的排序键，再基于这些键排序：

# 为每列生成适配ASCII排序的键
sort_keys = lapply(df, function(col) {
  if (is.character(col)) {
    # 将字符串转换为ASCII码数值组合，生成唯一排序标识
    sapply(col, function(s) {
      ints = utf8ToInt(s)
      sum(ints * 256^(rev(seq_along(ints)) - 1))
    })
  } else {
    col  # 非字符列直接使用原列值
  }
})

# 基于自定义键排序DataFrame
df = df[do.call(order, sort_keys), ]

此方法仅作用于当前排序操作，不会影响其他代码的排序逻辑。

内容的提问来源于stack exchange，提问作者Steve