ValueError: Zeichenfolge konnte nicht in float konvertiert werden: ' ��� '

Ich habe ein (2M, 23) dimensionales numpy Array X. Es hat einen dtype von <U26, dh eine Unicode-Zeichenfolge mit 26 Zeichen.

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") 

Wenn ich es in a konvertiere float-Datentyp mit

X_f = X.astype(float) 

Ich erhalte den Fehler wie oben gezeigt. Wie löse ich diesen Zeichenfolgenformatierungsfehler für „���“?

Ich stelle fest, dass einige Zeichen im Datenrahmen nicht richtig gelesen werden und das Unicode-Ersatzzeichen nur ein Ergebnis davon ist.

Meine Fragen: –

  1. Wie gehe ich mit dieser Fehlinterpretation um?
  2. Soll ich diese Zeichen ignorieren? Oder sollte ich sie vielleicht in Null umwandeln?

Zusätzliche Informationen zum Lesen der Daten: –

Importieren relevanter Pakete

from pyspark import SparkContext from pyspark.sql import SQLContext from pyspark.sql.functions import col 

Laden des Datensatzes in einen Pyspark-Datenrahmen

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) 

Dateityp überprüfen.

type(dataset) 

pyspark.sql.dataframe.DataFrame

in np konvertieren Array

import numpy as np np_dfr = np.array(data_preprocessing(dataset).collect()) 

Funktionen und Beschriftungen aufteilen

X = np_dfr[:,0:22] Y = np_dfr[:,-1] 

show 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") 

Antwort

Obwohl dies nicht die beste Lösung ist, habe ich einige Erfolge erzielt, indem ich sie in einen Pandas-Datenrahmen konvertiert habe und mitarbeiten.

Code-Snippet

# 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) 

Eingabe

array([["85", "0", "0", "1980", "0", "0"], ["233", "54", "27", "-1", "0", "0"], ["���", "�", "�����", "�", "��", "���"]], dtype="<U5") 

Ausgabe

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]]) 

Antwort

Versuchen wir, den Pandas-Datenrahmen zu verwenden und konvertieren Sie Zeichenfolgen in numerische Klassen

Rufen Sie die obige Funktion convert () auf, wie test = convert (test)

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.