Pandas端口列object转int失败及Weka属性识别异常问题求助

sport和dport列的object类型，是因为数据里同时存在十进制数字字符串和十六进制格式字符串（比如报错里的0x0303），你看到的示例都是十进制，但数据集里隐藏了十六进制格式的端口值，导致无法直接转成int，也让Weka无法识别为数值或标称属性。

自定义转换函数，自动识别字符串格式，统一转为十进制整数，替换原列即可：

import pandas as pd

def port_str_to_int(port_str):
    try:
        # 优先尝试十进制转换
        return int(port_str)
    except ValueError:
        # 转换失败则按十六进制处理
        return int(port_str, 16)

# 读取数据
dt = pd.read_csv("port.csv")

# 批量转换端口列
dt['sport'] = dt['sport'].apply(port_str_to_int)
dt['dport'] = dt['dport'].apply(port_str_to_int)

# 验证转换结果
print(dt.dtypes)

可选验证步骤 #

如果想先定位数据集里的十六进制格式行，用以下代码筛选：

# 筛选sport列中的十六进制行
hex_sport_rows = dt[dt['sport'].str.contains('0x', case=False)]
print(hex_sport_rows)

# 筛选dport列中的十六进制行
hex_dport_rows = dt[dt['dport'].str.contains('0x', case=False)]
print(hex_dport_rows)

转换完成后，sport和dport会转为int类型，K-means等机器学习算法可正常处理，Weka也能识别为数值属性。

内容的提问来源于stack exchange，提问作者LAT