R语言俄文字符字符串操作异常：Avito Kaggle数据大写统计问题

看起来你遇到的问题是向量元素和直接字符串传入str_count时匹配结果不同，核心原因大概率是description列的类型或者编码问题，我来一步步帮你排查和解决：

1. 先检查description的类型 #

Kaggle数据集导入R时，文本列经常会被默认转成factor类型（因子）。当你取description[1]时，返回的其实是因子的水平值，而不是原始的字符串——这时候str_count处理的是因子的内部表示，不是你看到的文本内容。

先验证这一点：

# 查看description的类型
class(description)

如果输出是"factor"，那你需要先把它转换成字符向量：

# 转换为字符类型
description_char <- as.character(description)
# 再统计大写字母数量
sum(str_count(description_char[1], "[А-Я]"))

这时候应该能得到正确的结果1。

2. 编码问题排查（如果类型已经是character） #

如果class(description)返回的是"character"，那可能是字符串编码不匹配导致正则[А-Я]无法识别俄文大写字母。

先查看当前编码：

Encoding(description[1])

如果输出不是"UTF-8"，把它转成UTF-8编码：

description_utf8 <- iconv(description[1], from = Encoding(description[1]), to = "UTF-8")
sum(str_count(description_utf8, "[А-Я]"))

3. 更可靠的正则写法 #

为了避免字符范围和编码的问题，你可以直接用Unicode属性匹配所有大写字母（包括西里尔字母）：

sum(str_count(description_char[1], "\\p{Lu}"))

\\p{Lu}是Unicode通用的大写字母匹配规则，不管是俄文、英文还是其他语言的大写字母都能准确识别，比[А-Я]更稳定。

内容的提问来源于stack exchange，提问作者hugoncosta