R语言中处理含立陶宛语字符的speaker变量重命名与清理问题

1. 先排查字符串编码问题 #

非ASCII字符匹配失败最常见原因是编码不一致，先确认并统一编码：

# 查看speaker列的编码格式
Encoding(lithu_comb$speaker)
# 强制转为UTF-8（如果当前编码不兼容）
lithu_comb$speaker <- iconv(lithu_comb$speaker, to = "UTF-8")

如果不确定原始编码，用stringi::stri_enc_detect(lithu_comb$speaker)自动检测。

2. 清理字符串中的隐藏干扰字符 #

你的示例条目包含大量冗余空格、可能还有不可见字符（全角空格、制表符等），先统一清理：

library(stringr)
# 压缩所有空白字符为单个空格，同时去除首尾空格
lithu_comb$speaker <- str_squish(lithu_comb$speaker)

清理后再匹配，能避免因空格数量不一致导致的匹配失效。

3. 修正重命名/合并的代码逻辑 #

不要直接对整行赋值，只修改speaker列：

# 合并同一说话者的不同条目
lithu_comb$speaker[lithu_comb$speaker == "Č. Juršėnas L Ų"] <- "Č. Juršėnas"

如果有多个变体需要合并，用dplyr::case_when更高效：

library(dplyr)
lithu_comb <- lithu_comb %>%
  mutate(speaker = case_when(
    speaker %in% c("Č. Juršėnas L Ų", "Č. Juršėnas 其他变体") ~ "Č. Juršėnas",
    # 可添加更多匹配规则
    TRUE ~ speaker
  ))

4. 正确删除无效条目 #

你的第二段代码存在语法错误（未闭合括号），且直接匹配长字符串易出错，建议清理后再操作：

# 清理后删除指定无效条目
lithu_comb <- lithu_comb %>%
  filter(speaker != "Ąž Tė. T S Ąžė K Ų Ū Ū.S Ąžė Ū Į Ką Ū Žū Ė J . Są Įų Į Ė S Ąš Į Ų Ųų")

# 如果无效条目是无意义乱码，用正则匹配批量删除
lithu_comb <- lithu_comb %>%
  filter(!str_detect(speaker, "(Ą|ž|ė|Ų|Ū|Į){3,}")) # 匹配重复出现的立陶宛语字符

5. 用stringi包增强多语言字符支持 #

stringi对非ASCII字符的处理兼容性更强，替换/匹配时优先使用：

library(stringi)
# 精准替换指定字符串
lithu_comb$speaker <- stri_replace_all_fixed(lithu_comb$speaker, "Č. Juršėnas L Ų", "Č. Juršėnas")
# 删除无效条目
lithu_comb <- lithu_comb[!stri_detect_fixed(lithu_comb$speaker, "Ąž Tė. T S Ąžė K Ų Ū Ū.S Ąžė Ū Į Ką Ū Žū Ė J . Są Įų Į Ė S Ąš Į Ų Ųų"), ]

内容的提问来源于stack exchange，提问作者Alberto