Jeg har et (2M, 23) dimensionelt numpy
array X
. Den har en dtype på <U26
, dvs. unicode-streng på 26 tegn.
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")
Når jeg konverterer den til en float datatype ved hjælp af
X_f = X.astype(float)
Jeg får fejlen som vist ovenfor. hvordan man løser denne strengformateringsfejl for “���”?
Jeg er klar over, at nogle tegn ikke læses ordentligt i datarammen, og at unicode-erstatningstegnet kun er et resultat af det.
Mine spørgsmål: –
- Hvordan håndterer jeg denne fejllæsning?
- Skal jeg ignorere disse tegn? Eller skal jeg måske omdanne dem til nul?
Yderligere oplysninger om, hvordan dataene blev læst: –
importerer relevante pakker
from pyspark import SparkContext from pyspark.sql import SQLContext from pyspark.sql.functions import col
indlæser datasættet i en pyspark dataframe
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)
check type datasæt.
type(dataset)
pyspark.sql.dataframe.DataFrame
konverter til np array
import numpy as np np_dfr = np.array(data_preprocessing(dataset).collect())
split funktioner og labels
X = np_dfr[:,0:22] Y = np_dfr[:,-1]
viser 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")
Svar
Selvom det ikke var den bedste løsning, fandt jeg en vis succes ved at konvertere det til pandas dataframe og arbejder sammen.
kodestykke
# 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)
input
array([["85", "0", "0", "1980", "0", "0"], ["233", "54", "27", "-1", "0", "0"], ["���", "�", "�����", "�", "��", "���"]], dtype="<U5")
output
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]])
Svar
Lad os prøve at bruge pandas dataframe og konverter strenge til numeriske klasser
kalder ovenstående convert () -funktion som test = convert (test)