Converti XLSX in ARFF

Weka e altri strumenti di machine learning usano comunemente ARFF, mentre i dati di origine vengono spesso forniti come cartella di lavoro Excel. La conversione è necessaria quando l'applicazione di destinazione non può importare direttamente XLSX oppure richiede tipi di attributo espliciti, indicatori di valori mancanti e metadati del dataset.

Cos'è il formato XLSX

XLSX è il formato di cartella di lavoro basato su XML usato da Microsoft Excel e supportato da LibreOffice Calc, Apple Numbers e Google Sheets tramite l'esportazione Excel. Una cartella di lavoro può contenere più fogli di lavoro, formule, formattazione, celle unite, grafici, righe nascoste e valori tipizzati, ma il software di data mining normalmente legge un intervallo rettangolare di un singolo foglio di lavoro.

ARFF non dispone di equivalenti diretti per il layout della cartella di lavoro, i grafici, la formattazione, i commenti, i filtri o le celle unite. La conversione estrae i valori delle celle e crea un dataset tabellare; non conserva la cartella di lavoro come foglio di calcolo modificabile.

Cos'è il formato ARFF

ARFF, o Attribute-Relation File Format, è il formato di dataset in testo semplice di Weka. Un file tipico contiene una dichiarazione @relation, una dichiarazione @attribute per ogni colonna e una sezione @data contenente i record.

I tipi di attributo comuni sono numeric, string, date e i valori nominali dichiarati con un elenco finito come {yes,no}. Un valore mancante viene scritto come ?. Le dichiarazioni esplicite riducono l'ambiguità quando Weka esegue classificazione, clustering, selezione delle feature o altre analisi.

Convertire con Weka

Weka è l'opzione desktop più diretta perché il suo ExcelLoader può leggere file XLSX e Explorer può salvare il dataset caricato come ARFF.

1. Installa Weka dalla distribuzione ufficiale di Weka e avvia Explorer.
2. Scegli Preprocess → Open file e seleziona la cartella di lavoro .xlsx.
3. Se la cartella di lavoro contiene diversi fogli di lavoro, apri le opzioni del loader e seleziona il foglio richiesto. ExcelLoader usa comunemente -S 2 per il secondo foglio; i nomi e la numerazione delle opzioni devono essere verificati con ExcelLoader -h per la versione di Weka installata.
4. Controlla i nomi e i tipi degli attributi visualizzati e il numero di istanze. Rimuovi le righe del titolo o modifica le impostazioni del loader se la prima riga non è un'intestazione.
5. Scegli il controllo Save di Explorer e salva il dataset con un'estensione .arff.

Il supporto Excel di Weka dipende dalla release di Weka e dalle librerie per la lettura dei fogli di calcolo incluse o installate. Se XLSX non viene riconosciuto, aggiorna Weka oppure usa il metodo Python riportato di seguito invece di rinominare il file.

Convertire con Python

Python è preferibile per conversioni ripetibili, selezione dei fogli di lavoro, pulizia delle colonne ed elaborazioni batch. Installa pandas, il reader XLSX e un writer ARFF:

pip install pandas openpyxl liac-arff

Questo esempio tratta le colonne numeriche come numeriche, converte le altre colonne in testo, usa le colonne con pochi valori fissi come attributi nominali e scrive le celle mancanti come valori mancanti ARFF:

import pandas as pd
import arff

df = pd.read_excel('input.xlsx', sheet_name=0)with open('output.arff', 'w', encoding='utf-8') as file:

Sostituisci sheet_name=0 con il nome di un foglio di lavoro o con un indice a base zero. Esamina le dichiarazioni generate, soprattutto per le colonne che contengono sia numeri sia testo. Rinomina le intestazioni duplicate o vuote prima di scrivere il file; i nomi degli attributi ARFF devono essere utilizzabili e non ambigui.

Usare un convertitore online come passaggio intermedio

La conversione web diretta da XLSX ad ARFF è poco comune e in genere offre un controllo limitato sulla selezione dei fogli di lavoro o sulle dichiarazioni dei tipi ARFF. Un servizio affidabile come CloudConvert può convertire XLSX in CSV; scarica il CSV, aprilo in Weka con Preprocess → Open file, controlla i tipi dedotti e salvalo come ARFF. La conversione in CSV fa perdere le funzionalità della cartella di lavoro e richiede comunque un controllo dei tipi; pertanto non caricare cartelle di lavoro riservate a meno che i termini di gestione dei dati del servizio non siano accettabili.

Controlli di qualità e compatibilità

• Intestazioni: Rimuovi le righe del titolo, le celle di intestazione vuote e i nomi duplicati. La prima riga viene comunemente interpretata come riga dei nomi degli attributi.
• Formule: I reader generalmente ottengono il risultato memorizzato nella cache di una formula invece dell'espressione della formula. Ricalcola e salva la cartella di lavoro in Excel o LibreOffice prima della conversione se i risultati memorizzati nella cache potrebbero essere obsoleti.
• Date: Le date seriali di Excel e le stringhe di data specifiche della lingua possono essere interpretate erroneamente. Normalizza le date in un unico formato oppure dichiara un attributo data ARFF con un pattern esplicito come date 'yyyy-MM-dd'.
• Valori nominali: Una dichiarazione nominale deve includere ogni valore non mancante della colonna. Usa i tipi nominali per categorie piccole e fisse e string per testo libero o colonne ad alta cardinalità.
• Celle mancanti: Le celle vuote devono diventare ?. Non sostituirle con lo zero numerico a meno che zero non rappresenti la misurazione effettiva.
• Più fogli di lavoro: ARFF descrive una relazione, quindi ogni foglio di lavoro normalmente richiede un file ARFF separato. Grafici, formattazione, celle unite, filtri e metadati della cartella di lavoro vengono eliminati.
• Codifica: Scrivi ed esamina il risultato come UTF-8 quando i nomi o i valori contengono caratteri accentati, non latini o speciali.