Converti ARFF in XLS

Microsoft Excel, un sistema di reporting legacy o il software per fogli di calcolo del destinatario potrebbero richiedere una cartella di lavoro .xls invece di un dataset ARFF. La conversione consente di modificare e condividere i dati, ma lo schema ARFF e i metadati di machine learning devono essere conservati separatamente.

Cos’è il formato ARFF

ARFF (Attribute-Relation File Format) è un formato di dataset basato su testo associato alla piattaforma di machine learning Weka. Un file normalmente contiene un nome della relazione, una dichiarazione @attribute per ogni campo, una sezione @data e commenti facoltativi.

ARFF supporta attributi numerici, nominali, stringa, data e relazionali. Supporta anche righe sparse, nelle quali vengono memorizzati solo i valori non predefiniti. ARFF è comune nei progetti Weka, nei corsi universitari, nei dataset accademici e nei flussi di lavoro di data mining.

Cos’è il formato XLS

XLS è il formato binario delle cartelle di lavoro di Microsoft Excel per Excel 97–2003. Memorizza i dati tabulari nei fogli di lavoro e supporta formule, formattazione, filtri, grafici e modifica dei fogli di calcolo.

XLS rimane utile per le applicazioni legacy o per i destinatari che rifiutano XLSX. Ogni foglio di lavoro è limitato a 65.536 righe e 256 colonne, quindi i dataset più grandi dovrebbero usare XLSX, CSV o un database. XLS presenta inoltre limiti pratici relativi alle dimensioni delle celle e alla compatibilità, che possono troncare o modificare valori insolitamente lunghi.

Convertire con Weka e LibreOffice

1. Installa Weka dal suo sito Web ufficiale e LibreOffice da libreoffice.org.
2. Apri Weka e scegli Explorer → Preprocess → Open file, quindi seleziona il file .arff.
3. Controlla i nomi degli attributi visualizzati, il numero di istanze, l’attributo della classe e il numero di valori mancanti.
4. Usa il controllo Save del pannello Preprocess e seleziona l’output CSV. Salva il risultato come dataset.csv. Weka legge le dichiarazioni ARFF ed espande le istanze sparse prima di scrivere le righe ordinarie.
5. Apri dataset.csv in LibreOffice Calc. Nella finestra di dialogo di importazione, scegli il delimitatore effettivo, solitamente la virgola, e abilita la gestione dei campi tra virgolette. Imposta come testo le colonne contenenti identificatori, numeri lunghi o codici quando il rilevamento automatico del tipo potrebbe modificarne i valori.
6. Controlla le date, i valori mancanti, i delimitatori all’interno delle stringhe tra virgolette, i caratteri Unicode e i nomi dei campi nella prima riga. Scegli File → Save As, seleziona Excel 97–2003 (*.xls) e accetta l’avviso relativo al formato legacy.

Questo metodo in due fasi è più sicuro della semplice ridenominazione dell’estensione: Weka analizza la sintassi ARFF, mentre Calc crea una vera cartella di lavoro XLS. Non conserva i filtri Weka, le impostazioni di selezione della classe, i commenti o la dichiarazione della relazione originale.

Usare un convertitore online

Servizi come CloudConvert e Zamzar possono essere presi in considerazione per i file non riservati, ma il supporto per ARFF e i formati di output disponibili possono cambiare. Prima del caricamento, verifica che il selettore dei formati attuale del servizio elenchi esplicitamente ARFF come input e XLS come output; non presumere che un servizio che supporta CSV o XLSX supporti anche ARFF.

Carica il file, scegli XLS, esegui la conversione, scarica la cartella di lavoro e aprila in LibreOffice o Excel per controllare il numero di righe, le intestazioni, le date, i valori mancanti e i caratteri speciali. Controlla prima le condizioni di conservazione e cancellazione del provider; non caricare dati personali, riservati o soggetti a normative su un servizio generico di conversione.

Automatizzare la conversione con Python

Per operazioni ripetibili, analizza ARFF con una libreria che supporti ARFF invece di trattarlo come un normale file CSV. L’esempio seguente usa liac-arff per leggere lo schema e xlwt per scrivere nel formato XLS legacy:

pip install liac-arff xlwt

import arff
import xlwt

with open("dataset.arff", "r", encoding="utf-8") as source:
    parsed = arff.load(source)

book = xlwt.Workbook()
sheet = book.add_sheet("data")
headers = [name for name, _ in parsed["attributes"]]

for column, name in enumerate(headers):
    sheet.write(0, column, name)

for row_number, row in enumerate(parsed["data"], start=1):
    for column, value in enumerate(row):
        if isinstance(value, bytes):
            value = value.decode("utf-8", errors="replace")
        sheet.write(row_number, column, "" if value is None else value)

book.save("dataset.xls")

Verifica prima lo script su dati rappresentativi. Il comportamento della libreria può variare per date ARFF, valori mancanti, etichette nominali, stringhe tra virgolette, righe sparse e attributi relazionali. Lo script eredita inoltre i limiti di righe e colonne di XLS.

Controlli di qualità e compatibilità

• Le dichiarazioni ARFF sono metadati dello schema, non formattazione del foglio di calcolo. I nomi dei campi e i valori vengono solitamente trasferiti, ma commenti, nomi delle relazioni, filtri Weka, impostazioni della classe e definizioni delle categorie non diventano automaticamente funzionalità XLS.
• I valori mancanti ARFF vengono comunemente scritti come ?. Un importer CSV o uno script potrebbe invece produrre celle vuote o valori null; scegli e verifica la rappresentazione prevista prima dell’analisi.
• Gli attributi nominali diventano normali valori delle celle. I relativi elenchi di valori consentiti e il loro ordinamento non vengono conservati in modo affidabile, a meno che non vengano documentati o ricreati con la convalida del foglio di calcolo.
• Le righe sparse vengono espanse in righe complete del foglio di calcolo, aumentando considerevolmente le dimensioni del file.
• Gli attributi relazionali contengono dati nidificati e non possono essere rappresentati fedelmente in un unico foglio di lavoro piatto. Esportali separatamente oppure conserva l’ARFF originale.
• Le stringhe che iniziano con =, +, - o @ potrebbero essere interpretate come formule o altre espressioni del foglio di calcolo. Importa i campi stringa non attendibili come testo e controlla la cartella di lavoro risultante.
• Conserva il file .arff originale come dataset autorevole quando sono importanti lo schema, i commenti, le dichiarazioni nominali o la riproducibilità del machine learning.