Mám (2M, 23) dimenzionální numpy pole X. Má dtype <U26, tj. Řetězec Unicode o 26 znacích.
array([["143347", "1325", "28.19148936", ..., "61", "0", "0"], ["50905", "0", "0", ..., "110", "0", "0"], ["143899", "1325", "28.80434783", ..., "61", "0", "0"], ..., ["85", "0", "0", ..., "1980", "0", "0"], ["233", "54", "27", ..., "-1", "0", "0"], ["���", "�", "�����", ..., "�", "��", "���"]], dtype="<U26") Když jej převedu na float datový typ pomocí
X_f = X.astype(float) Zobrazuje se chyba, jak je uvedeno výše. jak vyřešit tuto chybu formátování řetězce pro „���“?
Uvědomuji si, že některé znaky se v datovém rámci nečtou správně a znak nahrazení unicode je jen jeho výsledkem.
Moje otázky: –
- Jak zvládnu toto nesprávné čtení?
- Mám tyto znaky ignorovat? Nebo je třeba je transformovat na nulu?
Další informace o tom, jak byla data načtena: –
import příslušných balíčků
from pyspark import SparkContext from pyspark.sql import SQLContext from pyspark.sql.functions import col načítání datové sady do datového rámce pyspark
def loading_data(dataset): dataset=sql_sc.read.format("csv").options(header="true", inferSchema="true").load(dataset) # #changing column header name dataset = dataset.select(*[col(s).alias("Label") if s == " Label" else s for s in dataset.columns]) #to change datatype dataset=dataset.drop("External IP") dataset = dataset.filter(dataset.Label.isNotNull()) dataset=dataset.filter(dataset.Label!=" Label")#filter Label from label print(dataset.groupBy("Label").count().collect()) return dataset # invoking ds_path = "../final.csv" dataset=loading_data(ds_path) zkontrolovat typ datové sady.
type(dataset) pyspark.sql.dataframe.DataFrame
převést na np pole
import numpy as np np_dfr = np.array(data_preprocessing(dataset).collect()) rozdělit funkce a štítky
X = np_dfr[:,0:22] Y = np_dfr[:,-1] zobrazit X
>> X array([["143347", "1325", "28.19148936", ..., "61", "0", "0"], ["50905", "0", "0", ..., "110", "0", "0"], ["143899", "1325", "28.80434783", ..., "61", "0", "0"], ..., ["85", "0", "0", ..., "1980", "0", "0"], ["233", "54", "27", ..., "-1", "0", "0"], ["���", "�", "�����", ..., "�", "��", "���"]], dtype="<U26") odpověď
Ačkoli to není nejlepší řešení, našel jsem nějaký úspěch jeho převedením do datového rámce pandy a spolupracujeme.
fragment kódu
# convert X into dataframe X_pd = pd.DataFrame(data=X) # replace all instances of URC with 0 X_replace = X_pd.replace("�",0, regex=True) # convert it back to numpy array X_np = X_replace.values # set the object type as float X_fa = X_np.astype(float) vstup
array([["85", "0", "0", "1980", "0", "0"], ["233", "54", "27", "-1", "0", "0"], ["���", "�", "�����", "�", "��", "���"]], dtype="<U5") výstup
array([[ 8.50e+01, 0.00e+00, 0.00e+00, 1.98e+03, 0.00e+00, 0.00e+00], [ 2.33e+02, 5.40e+01, 2.70e+01, -1.00e+00, 0.00e+00, 0.00e+00], [ 0.00e+00, 0.00e+00, 0.00e+00, 0.00e+00, 0.00e+00, 0.00e+00]]) odpověď
Zkusme použít datový rámec pandy a převést řetězce na číselné třídy
zavolejte výše uvedenou funkci convert () jako test = convert (test)