Van egy (2M, 23) dimenziós numpy tömb X. Dtype-je <U26, azaz 26 karakterből álló unicode karakterlánc.
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") Amikor átalakítom float adattípus, a
X_f = X.astype(float) használatával kapom a hibát, ahogy fentebb látható. hogyan lehet megoldani ezt a karakterlánc-formázási hibát a “���” esetében?
Tudomásul veszem, hogy egyes karaktereket nem olvasunk megfelelően az adatkeretben, és az unicode-os helyettesítő karakter csak ennek eredménye.
Kérdéseim: –
- Hogyan kezelhetem ezt a félreolvasást?
- Hagyjam figyelmen kívül ezeket a karaktereket? Vagy esetleg nullára kell alakítanom őket?
További információ az adatok olvasásáról: –
releváns csomagok importálása
from pyspark import SparkContext from pyspark.sql import SQLContext from pyspark.sql.functions import col az adatkészlet betöltése egy pyspark adatkeretbe
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) az adatkészlet típusának ellenőrzése.
type(dataset) pyspark.sql.dataframe.DataFrame
konvertálás np-be tömb
import numpy as np np_dfr = np.array(data_preprocessing(dataset).collect()) funkciók és címkék felosztása
X = np_dfr[:,0:22] Y = np_dfr[:,-1] 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") Válasz
Bár nem a legjobb megoldás, némi sikert tapasztaltam pandák adatkeretévé alakításával és együtt dolgoznak.
kódrészlet
# 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) bevitel
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]]) Válasz
Próbálkozzanak pandák adatkerettel és konvertálja a karakterláncokat numerikus osztályokká
hívja meg a fenti convert () függvényt, például: test = convert (teszt)