ValueError: no se pudo convertir la cadena en flotante: ' ��� '

Tengo una numpy matriz X dimensional (2M, 23). Tiene un dtype de <U26, es decir, una cadena 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") 

Cuando lo convierto a tipo de datos flotante, usando

X_f = X.astype(float) 

Recibo el error como se muestra arriba. ¿Cómo resolver este error de formato de cadena para «���»?

Me doy cuenta de que algunos caracteres no se leen correctamente en el marco de datos y el carácter de reemplazo Unicode es solo un resultado de ello.

Mis preguntas: –

1. ¿Cómo manejo esta mala lectura?
2. ¿Debo ignorar estos caracteres? ¿O quizás debería transformarlos a cero?

Información adicional sobre cómo se leyeron los datos: –

importando paquetes relevantes

from pyspark import SparkContext from pyspark.sql import SQLContext from pyspark.sql.functions import col 

cargando el conjunto de datos en un marco de datos 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) 

comprobar el tipo de conjunto de datos.

type(dataset) 

pyspark.sql.dataframe.DataFrame

convertir a np matriz

import numpy as np np_dfr = np.array(data_preprocessing(dataset).collect()) 

dividir características y etiquetas

X = np_dfr[:,0:22] Y = np_dfr[:,-1] 

mostrar 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")