Eu tenho um (2M, 23) dimensional numpy
array X
. Tem um dtype de <U26
, ou seja, string unicode de 26 caracteres.
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 eu converter para um tipo de dados float, usando
X_f = X.astype(float)
Recebo o erro conforme mostrado acima. como resolver esse erro de formatação de string para “���”?
Percebi que alguns caracteres não são lidos corretamente no dataframe e o caractere de substituição Unicode é apenas um resultado disso.
Minhas perguntas: –
- Como faço para lidar com essa leitura incorreta?
- Devo ignorar esses caracteres? Ou devo transformá-los em zero, talvez?
Informações adicionais sobre como os dados foram lidos: –
importando pacotes relevantes
from pyspark import SparkContext from pyspark.sql import SQLContext from pyspark.sql.functions import col
carregando o conjunto de dados em um 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)
verifique o tipo de conjunto de dados.
type(dataset)
pyspark.sql.dataframe.DataFrame
converter para np array
import numpy as np np_dfr = np.array(data_preprocessing(dataset).collect())
dividir recursos e rótulos
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")
Resposta
Embora não seja a melhor solução, obtive algum sucesso convertendo-o em dataframe pandas e trabalhando junto.
trecho de código
# 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")
saída
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]])
Resposta
Vamos tentar usar o dataframe do pandas e converter strings em classes numéricas
chamar a função convert () acima como, test = convert (test)