ValueError: could not convert string to float: '��'

Question

我有一个 (2M, 23) 维 numpy 数组 X。它的 dtype 为 <U26，即 26 个字符的 unicode 字符串。

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')

当我将它转换为 float 数据类型时，使用

X_f = X.astype(float)

我收到如上所示的错误。我正在尝试找到解决“��”的字符串格式错误的方法。

这是什么意思（它叫什么？）以及如何解决这个错误？

编辑：关于如何读取数据的信息：-

导入相关包

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

在 pyspark 数据帧中加载数据集

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)

检查数据集类型。

type(dataset)

pyspark.sql.dataframe.DataFrame

转换为 np 数组

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

拆分特征和标签

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

显示 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')

Answer 1

这意味着图中的字符串 (��) 维度不固定，它可以在运行个调用之间变化问号符号表示 tf.TensorShape Session.run 或 eval 返回的任何张量都是 NumPy 数组。

>>> print(type(tf.Session().run(tf.constant([1,2,3]))))
<class 'numpy.ndarray'>

或：

>>> sess = tf.InteractiveSession()
>>> print(type(tf.constant([1,2,3]).eval()))
<class 'numpy.ndarray'>

或者，等价地：

>>> sess = tf.Session()
>>> with sess.as_default():
>>>    print(type(tf.constant([1,2,3]).eval()))
<class 'numpy.ndarray'>

不是 Session.run 或 eval() 返回的任何张量都是 NumPy 数组。例如，稀疏张量返回为 SparseTensorValue:

>>> print(type(tf.Session().run(tf.SparseTensor([[0, 0]],[1],[1,2]))))
<class 'tensorflow.python.framework.sparse_tensor.SparseTensorValue'>

Answer 2

虽然不是最好的解决方案，但我通过将其转换为 pandas 数据帧并继续工作取得了一些成功。

代码片段

# 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)

输入

array([['85', '0', '0', '1980', '0', '0'],
       ['233', '54', '27', '-1', '0', '0'],
       ['���', '�', '�����', '�', '��', '���']], dtype='<U5')

输出

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]])

ValueError: could not convert string to float: '���'

ValueError: could not convert string to float: '���'

python

numpy

python-unicode

pyspark

导入相关包

在 pyspark 数据帧中加载数据集

检查数据集类型。

转换为 np 数组

拆分特征和标签

显示 X

代码片段

输入

输出

ValueError: could not convert string to float: '��'

ValueError: could not convert string to float: '��'