Konwertuj XLS na ARFF

Weka zwykle używa ARFF, gdy dane arkusza kalkulacyjnego muszą zostać załadowane jako zbiór danych uczenia maszynowego z zadeklarowanymi atrybutami i wartościami. Konwersja jest zazwyczaj wykonywana podczas przygotowywania tabeli Excel na potrzeby Weka Explorer, Experimenter, KnowledgeFlow lub kodu opartego na Weka.

Co zawiera XLS

XLS to binarny format skoroszytu Microsoft Excel 97–2003. Microsoft Excel, LibreOffice Calc, Apache OpenOffice Calc oraz systemy raportowania biznesowego mogą go otwierać lub tworzyć.

Skoroszyt XLS może zawierać wiele arkuszy, formuły, wykresy, formatowanie, scalone komórki, notatki, ukryte wiersze oraz wiele niezależnych tabel. ARFF reprezentuje jedną tabelę danych, dlatego przed konwersją należy wyodrębnić jeden prostokątny zakres z jednym wierszem nagłówków.

Starsze arkusze XLS są ograniczone do 65 536 wierszy i 256 kolumn. .xlsx to inny, oparty na XML format Excel; zmiana nazwy pliku .xlsx na .xls nie powoduje jego konwersji.

Co zawiera ARFF

ARFF (Attribute-Relation File Format) to tekstowy format zbiorów danych używany przez Weka. Jego nagłówek definiuje relację i atrybuty, po czym następuje sekcja @data zawierająca rekordy.

ARFF może deklarować atrybuty numeryczne, nominalne, tekstowe, daty i relacyjne. Prosty zbiór danych może zawierać @relation customers, @attribute age numeric, @attribute churn {yes,no}, a następnie @data z wartościami rozdzielonymi przecinkami.

Jego główną przewagą nad arkuszem kalkulacyjnym jest przechowywanie schematu zbioru danych razem z wartościami. Plik jest zwykłym tekstem, można go przechowywać w systemie kontroli wersji i przeglądać w edytorze tekstu, a także nie zachowuje elementów prezentacyjnych charakterystycznych dla skoroszytu.

Konwersja za pośrednictwem CSV i Weka

Najbardziej niezawodnym sposobem konwersji na komputerze jest wyeksportowanie wymaganego arkusza jako CSV i zapisanie go jako ARFF z użyciem Weka 3.8. Pozwala to uniknąć różnic w obsłudze modułu Excel/Spreadsheet loader między instalacjami Weka oraz daje kontrolę nad wnioskowanymi typami atrybutów.

1. Otwórz plik XLS w Excel lub LibreOffice Calc. Pozostaw tylko jedną tabelę; usuń wiersze tytułowe, sumy, puste wiersze oddzielające, komentarze i powtarzające się nagłówki. Nadaj każdej kolumnie unikatowy nagłówek.
2. Przelicz formuły i zapisz skoroszyt. Eksport CSV zapisuje wyświetlane lub buforowane wartości, a nie logikę formuł Excel.
3. Wyeksportuj odpowiedni arkusz za pomocą File → Save As lub File → Export i, jeśli jest dostępna, wybierz opcję CSV UTF-8. Excel eksportuje tylko aktywny arkusz; powtórz ten proces dla każdego wymaganego arkusza.
4. Uruchom Weka, otwórz Explorer → Preprocess, wybierz Open file i otwórz plik CSV.
5. Sprawdź każdy atrybut. Usuń kolumny niebędące cechami za pomocą Filter → Choose → unsupervised → attribute → Remove. Użyj StringToNominal dla skończonych kategorii oraz NumericToNominal dla kodów lub identyfikatorów, których wartość liczbowa nie ma znaczenia.
6. Ustaw atrybut docelowy w selektorze Class Weka podczas przygotowywania danych nadzorowanych. ARFF nie przechowuje oznaczenia klasy; po ponownym otwarciu pliku Weka może wymagać ponownego wybrania klasy.
7. Wybierz Save, użyj nazwy pliku kończącej się na .arff i ponownie otwórz wynik, aby sprawdzić nazwę relacji, deklaracje atrybutów oraz liczbę instancji.

Niektóre dystrybucje Weka udostępniają moduł Excel lub Spreadsheet loader, który może bezpośrednio otwierać XLS. Używaj go dopiero po potwierdzeniu, że zainstalowany loader obsługuje format źródłowy i prawidłowo importuje zamierzony arkusz; import bezpośredni może różnić się w zależności od wersji Weka i opcjonalnych bibliotek.

W przypadku jednorazowej konwersji danych niepoufnych można użyć Convertio, jeśli jego aktualny selektor formatów oferuje konwersję XLS do ARFF. Sprawdź pobrany plik w Weka przed jego użyciem i nie przesyłaj osobistych, medycznych, finansowych ani zastrzeżonych skoroszytów do usług zewnętrznych.

Kontrola schematu i zgodności

ARFF nie zachowuje formuł, wykresów, formatowania komórek, scalonych komórek, komentarzy, tabel przestawnych, nazwanych zakresów, makr ani dodatkowych arkuszy. Przechowuje wyłącznie wartości i zadeklarowane atrybuty.

Zachowaj spójny typ każdej kolumny. Kolumna zawierająca głównie wartości liczbowe, ale także etykiety takie jak N/A, może zostać załadowana jako tekst, natomiast numer klienta może zostać potraktowany jako miara liczbowa, mimo że jest tylko identyfikatorem. W miarę możliwości usuwaj identyfikatory; w przeciwnym razie ustaw je jako atrybuty nominalne lub tekstowe.

Używaj ? dla brakujących wartości ARFF. Puste komórki arkusza, N/A i - wymagają świadomego przetwarzania, ponieważ mogą stać się dosłownymi wartościami kategorii lub wymusić ustawienie atrybutu tekstowego.

Daty wymagają szczególnej uwagi. CSV nie ma niezawodnego typu daty, dlatego sprawdź, czy kolumny dat mają zamierzoną deklarację ARFF, taką jak @attribute order_date date "yyyy-MM-dd", zamiast przypadkowego typu tekstowego lub liczbowego. Wartości zawierające przecinki, cudzysłowy, spacje, nawiasy klamrowe lub znaki procentu mogą wymagać cytowania i znaków ucieczki w ARFF; zapis z poziomu Weka obsługuje tę składnię.