Am un (2M, 23) dimensional numpy matrice X. Are un tip de <U26, adică șir unicode de 26 de caractere.
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") Când îl convertesc într-un tip de date float, folosind
X_f = X.astype(float) Am primit eroarea așa cum se arată mai sus. cum se rezolvă această eroare de formatare a șirului pentru „���”?
Îmi dau seama că unele caractere nu sunt citite corect în cadrul de date, iar caracterul de înlocuire unicode este doar un rezultat al acestuia.
Întrebările mele: –
- Cum mă descurc cu această lectură greșită?
- Ar trebui să ignor aceste caractere? Sau ar trebui să le transform la zero poate?
Informații suplimentare despre modul în care au fost citite datele: –
importarea pachetelor relevante
from pyspark import SparkContext from pyspark.sql import SQLContext from pyspark.sql.functions import col încărcarea setului de date într-un cadru de date 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) verificați tipul de set de date.
type(dataset) pyspark.sql.dataframe.DataFrame
convertiți în np tablou
import numpy as np np_dfr = np.array(data_preprocessing(dataset).collect()) divizați caracteristicile și etichetele
X = np_dfr[:,0:22] Y = np_dfr[:,-1] arată 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") Răspuns
Deși nu este cea mai bună soluție, am găsit ceva succes transformându-l în cadru de date pandas și lucrează împreună.
fragment de cod
# 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) intrare
array([["85", "0", "0", "1980", "0", "0"], ["233", "54", "27", "-1", "0", "0"], ["���", "�", "�����", "�", "��", "���"]], dtype="<U5") ieșire
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]]) Răspuns
Să încercăm să folosim cadru de date pandas și converti șirurile în clase numerice
apelează funcția convert () de mai sus ca, test = convert (test)