Konwertuj ARFF na XLS

Microsoft Excel, starszy system raportowania lub oprogramowanie arkusza kalkulacyjnego odbiorcy może wymagać skoroszytu .xls zamiast datasetu ARFF. Konwersja umożliwia edytowanie i udostępnianie danych, ale schemat ARFF i metadane machine-learning wymagają osobnego zachowania.

Czym jest format ARFF

ARFF (Attribute-Relation File Format) to tekstowy format datasetów powiązany z platformą machine-learning Weka. Plik zwykle zawiera nazwę relacji, deklarację @attribute dla każdego pola, sekcję @data oraz opcjonalne komentarze.

ARFF obsługuje atrybuty numeryczne, nominalne, tekstowe, daty i relacyjne. Obsługuje również wiersze rzadkie, w których przechowywane są tylko wartości inne niż domyślne. ARFF jest często używany w projektach Weka, na kursach uniwersyteckich, w datasetach akademickich i procesach data-mining.

Czym jest format XLS

XLS to binarny format skoroszytu Microsoft Excel dla wersji Excel 97–2003. Przechowuje dane tabelaryczne w arkuszach i obsługuje formuły, formatowanie, filtry, wykresy oraz edytowanie arkuszy kalkulacyjnych.

XLS pozostaje użyteczny w przypadku starszych aplikacji lub odbiorców, którzy odrzucają XLSX. Każdy arkusz jest ograniczony do 65,536 wierszy i 256 kolumn, dlatego większe datasety powinny używać XLSX, CSV lub bazy danych. XLS ma również praktyczne ograniczenia rozmiaru komórek i zgodności, które mogą obcinać lub zmieniać nietypowo długie wartości.

Konwersja za pomocą Weka i LibreOffice

1. Zainstaluj Weka z jego oficjalnej strony internetowej oraz LibreOffice ze strony libreoffice.org.
2. Otwórz Weka i wybierz Explorer → Preprocess → Open file, a następnie wybierz plik .arff.
3. Sprawdź wyświetlane nazwy atrybutów, liczbę instancji, atrybut klasy oraz liczbę brakujących wartości.
4. Użyj elementu sterującego Save w panelu Preprocess i wybierz wyjście CSV. Zapisz wynik jako dataset.csv. Weka odczytuje deklaracje ARFF i rozwija instancje rzadkie przed zapisaniem zwykłych wierszy.
5. Otwórz plik dataset.csv w LibreOffice Calc. W oknie importu wybierz właściwy separator, zwykle przecinek, i włącz obsługę pól ujętych w cudzysłowy. Ustaw kolumny zawierające identyfikatory, długie liczby lub kody jako tekst, jeśli automatyczne wykrywanie typu zmieniłoby ich wartości.
6. Sprawdź daty, brakujące wartości, separatory wewnątrz ciągów ujętych w cudzysłowy, znaki Unicode oraz nazwy pól w pierwszym wierszu. Wybierz File → Save As, wybierz Excel 97–2003 (*.xls) i zaakceptuj ostrzeżenie dotyczące starszego formatu.

Ta dwuetapowa metoda jest bezpieczniejsza niż zmiana rozszerzenia: Weka analizuje składnię ARFF, a Calc tworzy rzeczywisty skoroszyt XLS. Nie zachowuje ona filtrów Weka, ustawień wyboru klasy, komentarzy ani oryginalnej deklaracji relacji.

Użycie konwertera online

Usługi takie jak CloudConvert i Zamzar można rozważyć w przypadku plików niepoufnych, ale obsługa ARFF i dostępne formaty wyjściowe mogą się zmieniać. Przed przesłaniem pliku sprawdź, czy bieżący selektor formatów usługi wyraźnie wymienia ARFF jako format wejściowy i XLS jako format wyjściowy; nie zakładaj, że usługa obsługująca CSV lub XLSX obsługuje również ARFF.

Prześlij plik, wybierz XLS, uruchom konwersję, pobierz skoroszyt i otwórz go w LibreOffice lub Excel, aby sprawdzić liczbę wierszy, nagłówki, daty, brakujące wartości oraz znaki specjalne. Najpierw sprawdź zasady przechowywania i usuwania danych przez dostawcę; nie przesyłaj danych osobowych, poufnych ani objętych regulacjami do ogólnej usługi konwersji.

Automatyzacja konwersji za pomocą Python

W przypadku powtarzalnych zadań analizuj ARFF za pomocą biblioteki świadomej formatu ARFF, zamiast traktować go jako zwykły plik CSV. Poniższy przykład używa liac-arff do odczytu schematu oraz xlwt do zapisu starszego formatu XLS:

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")

Najpierw przetestuj skrypt na reprezentatywnych danych. Działanie biblioteki może różnić się w przypadku dat ARFF, brakujących wartości, etykiet nominalnych, ciągów ujętych w cudzysłowy, wierszy rzadkich i atrybutów relacyjnych. Skrypt również podlega ograniczeniom XLS dotyczącym liczby wierszy i kolumn.

Kontrole jakości i zgodności

• Deklaracje ARFF to metadane schematu, a nie formatowanie arkusza kalkulacyjnego. Nazwy pól i wartości zwykle są przenoszone, ale komentarze, nazwy relacji, filtry Weka, ustawienia klasy i definicje kategorii nie stają się automatycznie funkcjami XLS.
• Brakujące wartości ARFF są zwykle zapisywane jako ?. Importer CSV lub skrypt może zamiast tego utworzyć puste komórki albo wartości null; przed analizą wybierz i zweryfikuj zamierzoną reprezentację.
• Atrybuty nominalne stają się zwykłymi wartościami komórek. Ich listy dozwolonych wartości i kolejność nie są niezawodnie zachowywane, chyba że udokumentujesz je lub odtworzysz za pomocą walidacji arkusza kalkulacyjnego.
• Wiersze rzadkie są rozwijane do pełnych wierszy arkusza, co może znacznie zwiększyć rozmiar pliku.
• Atrybuty relacyjne zawierają zagnieżdżone dane i nie mogą być wiernie przedstawione w jednym płaskim arkuszu. Wyeksportuj je osobno lub zachowaj oryginalny plik ARFF.
• Ciągi rozpoczynające się od =, +, - lub @ mogą zostać zinterpretowane jako formuły lub inne wyrażenia arkusza kalkulacyjnego. Importuj niezaufane pola tekstowe jako tekst i sprawdź wynikowy skoroszyt.
• Zachowaj oryginalny plik .arff jako autorytatywny dataset, gdy istotne są schemat, komentarze, deklaracje nominalne lub odtwarzalność machine-learning.