Ik heb een (2M, 23) dimensionale numpy
array X
. Het heeft een dtype van <U26
, dwz een unicode-reeks van 26 tekens.
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")
Wanneer ik het converteer naar een float datatype, met
X_f = X.astype(float)
Ik krijg de foutmelding zoals hierboven weergegeven. hoe deze stringformatteringsfout voor “���” op te lossen?
Ik realiseer me dat sommige tekens niet goed worden gelezen in het dataframe en dat het vervangende Unicode-teken er slechts een resultaat van is.
Mijn vragen: –
- Hoe ga ik om met deze verkeerde lezing?
- Moet ik deze tekens negeren? Of moet ik ze misschien naar nul transformeren?
Aanvullende informatie over hoe de gegevens werden gelezen: –
relevante pakketten importeren
from pyspark import SparkContext from pyspark.sql import SQLContext from pyspark.sql.functions import col
laden van de dataset in een 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)
controleer het type dataset.
type(dataset)
pyspark.sql.dataframe.DataFrame
converteren naar np array
import numpy as np np_dfr = np.array(data_preprocessing(dataset).collect())
splits objecten en labels
X = np_dfr[:,0:22] Y = np_dfr[:,-1]
toon 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")
Antwoord
Hoewel het niet de beste oplossing was, vond ik enig succes door het om te zetten in pandas dataframe en meewerken.
codefragment
# 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]])
Antwoord
Laten we proberen pandas dataframe te gebruiken en zet strings om in numerieke klassen
roep de bovenstaande convert () functie aan zoals, test = convert (test)