Ho un numpy
array X
dimensionale (2M, 23). Ha un dtype di <U26
, ovvero una stringa unicode di 26 caratteri.
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")
Quando lo converto in un tipo di dati float, utilizzando
X_f = X.astype(float)
ottengo lerrore come mostrato sopra. come risolvere questo errore di formattazione della stringa per “���”?
Mi rendo conto che alcuni caratteri non vengono letti correttamente nel dataframe e il carattere di sostituzione Unicode è solo il risultato di ciò.
Le mie domande: –
- Come gestisco questo errore di lettura?
- Devo ignorare questi caratteri? O forse dovrei trasformarli a zero?
Ulteriori informazioni su come sono stati letti i dati: –
importazione di pacchetti rilevanti
from pyspark import SparkContext from pyspark.sql import SQLContext from pyspark.sql.functions import col
caricamento del set di dati in un dataframe 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)
controlla il tipo di set di dati.
type(dataset)
pyspark.sql.dataframe.DataFrame
converti in np matrice
import numpy as np np_dfr = np.array(data_preprocessing(dataset).collect())
suddivide caratteristiche ed etichette
X = np_dfr[:,0:22] Y = np_dfr[:,-1]
mostra 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")
Risposta
Sebbene non sia la soluzione migliore, ho trovato un certo successo convertendolo in panda dataframe e lavorando.
snippet di codice
# 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]])
Answer
Proviamo a utilizzare il dataframe dei panda e converte le stringhe in classi numeriche
chiama la funzione convert () sopra come, test = convert (test)