Converti XLS in ARFF

Weka usa comunemente ARFF quando i dati di un foglio di calcolo devono essere caricati come dataset di machine learning con attributi e valori dichiarati. La conversione viene generalmente avviata preparando una tabella Excel per Weka Explorer, Experimenter, KnowledgeFlow o codice basato su Weka.

Contenuto di XLS

XLS è il formato binario delle cartelle di lavoro Microsoft Excel 97–2003. Microsoft Excel, LibreOffice Calc, Apache OpenOffice Calc e i sistemi di reportistica aziendale possono aprirlo o crearlo.

Una cartella di lavoro XLS può contenere diversi fogli di lavoro, formule, grafici, formattazione, celle unite, note, righe nascoste e più tabelle non correlate. ARFF rappresenta una singola tabella di dati, quindi prima della conversione occorre isolare un intervallo rettangolare con una sola riga di intestazione.

I fogli di lavoro XLS legacy sono limitati a 65.536 righe e 256 colonne. .xlsx è un formato Excel diverso basato su XML; modificare il nome di un file .xlsx in .xls non lo converte.

Contenuto di ARFF

ARFF (Attribute-Relation File Format) è il formato testuale per dataset di Weka. La sua intestazione definisce una relazione e gli attributi, seguiti da una sezione @data contenente i record.

ARFF può dichiarare attributi numerici, nominali, stringa, data e relazionali. Un dataset semplice potrebbe contenere @relation customers, @attribute age numeric, @attribute churn {yes,no} e quindi @data con valori separati da virgole.

Il suo principale vantaggio rispetto a un foglio di calcolo è che lo schema del dataset viene memorizzato insieme ai valori. Il file è testo semplice, può essere sottoposto a controllo versione e ispezionato in un editor di testo e non conserva le caratteristiche di presentazione specifiche della cartella di lavoro.

Conversione tramite CSV e Weka

Il flusso di lavoro desktop più affidabile consiste nell'esportare il foglio di lavoro richiesto come CSV e salvarlo come ARFF da Weka 3.8. In questo modo si evitano le differenze tra il supporto dei loader Excel/Spreadsheet nelle diverse installazioni di Weka e si ottiene il controllo sui tipi di attributo dedotti.

1. Aprire il file XLS in Excel o LibreOffice Calc. Mantenere una sola tabella; rimuovere righe del titolo, totali, righe vuote di separazione, commenti e intestazioni ripetute. Assegnare a ogni colonna un'intestazione univoca.
2. Ricalcolare le formule e salvare la cartella di lavoro. L'esportazione CSV scrive i valori visualizzati o memorizzati nella cache, non la logica delle formule Excel.
3. Esportare il foglio di lavoro pertinente usando File → Save As o File → Export e selezionare CSV UTF-8 quando disponibile. Excel esporta solo il foglio di lavoro attivo; ripetere la procedura per ogni foglio richiesto.
4. Avviare Weka, aprire Explorer → Preprocess, selezionare Open file e aprire il file CSV.
5. Esaminare ogni attributo. Rimuovere le colonne non pertinenti alle feature con Filter → Choose → unsupervised → attribute → Remove. Usare StringToNominal per le categorie finite e NumericToNominal per codici o identificatori la cui grandezza numerica non ha significato.
6. Impostare l'attributo target nel selettore Class di Weka quando si preparano dati supervisionati. ARFF non memorizza una designazione della classe; Weka potrebbe richiedere nuovamente questa selezione dopo la riapertura del file.
7. Selezionare Save, usare un nome file che termini con .arff e riaprire il risultato per verificare il nome della relazione, le dichiarazioni degli attributi e il numero di istanze.

Alcune distribuzioni di Weka forniscono un loader Excel o Spreadsheet in grado di aprire direttamente XLS. Usarlo solo dopo aver verificato che il loader installato supporti il formato sorgente e importi correttamente il foglio di lavoro previsto; l'importazione diretta può variare in base alla versione di Weka e alle librerie opzionali.

Per una conversione occasionale di dati non riservati, è possibile usare Convertio se il relativo selettore dei formati offre attualmente la conversione da XLS a ARFF. Ispezionare il file scaricato in Weka prima di utilizzarlo e non caricare cartelle di lavoro personali, sanitarie, finanziarie o proprietarie su servizi di terze parti.

Controlli dello schema e della compatibilità

ARFF non conserva formule, grafici, formattazione delle celle, celle unite, commenti, tabelle pivot, intervalli denominati, macro o fogli di lavoro aggiuntivi. Memorizza solo i valori e gli attributi dichiarati.

Mantenere coerente il tipo di ogni colonna. Una colonna prevalentemente numerica contenente etichette come N/A potrebbe essere caricata come testo, mentre un numero cliente potrebbe essere trattato come una misura numerica anche se è soltanto un identificatore. Rimuovere gli identificatori quando possibile; in caso contrario, convertirli in attributi nominali o stringa.

Usare ? per i valori ARFF mancanti. Le celle vuote del foglio di calcolo, N/A e - richiedono una gestione intenzionale perché potrebbero diventare valori letterali di categoria o forzare un attributo di testo.

Le date richiedono particolare attenzione. CSV non dispone di un tipo data affidabile, quindi verificare che le colonne di data abbiano la dichiarazione ARFF prevista, ad esempio @attribute order_date date "yyyy-MM-dd", anziché una stringa o un numero arbitrario. I valori contenenti virgole, virgolette, spazi, parentesi graffe o segni di percentuale potrebbero richiedere virgolette ed escaping in ARFF; il salvataggio da Weka gestisce questa sintassi.