Převod souboru ARFF do XLS

Microsoft Excel, starší reportovací systém nebo tabulkový software příjemce může vyžadovat sešit .xls namísto datasetu ARFF. Převod dat umožňuje úpravy a sdílení v tabulkovém procesoru, ale schéma ARFF a metadata strojového učení je nutné uchovat samostatně.

Co je formát ARFF

ARFF (Attribute-Relation File Format) je textový formát datasetu spojený s platformou strojového učení Weka. Soubor obvykle obsahuje název relace, deklaraci @attribute pro každé pole, část @data a volitelné komentáře.

ARFF podporuje číselné, nominální, řetězcové, datové a relační atributy. Podporuje také řídké řádky, ve kterých jsou uloženy pouze hodnoty odlišné od výchozích hodnot. ARFF se běžně používá v projektech Weka, univerzitních kurzech, akademických datasetech a pracovních postupech dolování dat.

Co je formát XLS

XLS je binární formát sešitů Microsoft Excel pro Excel 97–2003. Ukládá tabulková data v listech a podporuje vzorce, formátování, filtry, grafy a úpravy tabulek.

XLS je stále užitečný pro starší aplikace nebo příjemce, kteří odmítají XLSX. Každý list je omezen na 65 536 řádků a 256 sloupců, takže větší datasety by měly používat XLSX, CSV nebo databázi. XLS má také praktická omezení velikosti buněk a kompatibility, která mohou zkrátit nebo změnit neobvykle dlouhé hodnoty.

Převod pomocí Weka a LibreOffice

1. Nainstalujte Weka z jejích oficiálních webových stránek a LibreOffice z webu libreoffice.org.
2. Otevřete Weka a zvolte Explorer → Preprocess → Open file, poté vyberte soubor .arff.
3. Zkontrolujte zobrazené názvy atributů, počet instancí, atribut třídy a počet chybějících hodnot.
4. Použijte ovládací prvek Save na panelu Preprocess a vyberte výstup CSV. Uložte výsledek jako dataset.csv. Weka načte deklarace ARFF a před zápisem běžných řádků rozbalí řídké instance.
5. Otevřete dataset.csv v LibreOffice Calc. V dialogu importu zvolte skutečný oddělovač, obvykle čárku, a povolte zpracování polí v uvozovkách. Sloupce obsahující identifikátory, dlouhá čísla nebo kódy nastavte na text, pokud by automatická detekce typu změnila jejich hodnoty.
6. Zkontrolujte data, chybějící hodnoty, oddělovače uvnitř řetězců v uvozovkách, znaky Unicode a názvy polí v prvním řádku. Zvolte File → Save As, vyberte Excel 97–2003 (*.xls) a potvrďte upozornění na starší formát.

Tato dvoufázová metoda je bezpečnější než přejmenování přípony: Weka analyzuje syntaxi ARFF, zatímco Calc vytvoří skutečný sešit XLS. Neuchovává filtry Weka, nastavení výběru třídy, komentáře ani původní deklaraci relace.

Použití online převaděče

U nekonfidenčních souborů lze zvážit služby jako CloudConvert a Zamzar, ale podpora ARFF a dostupné výstupní formáty se mohou měnit. Před nahráním ověřte, že aktuální výběr formátu služby výslovně uvádí ARFF jako vstup a XLS jako výstup; nepředpokládejte, že služba podporující CSV nebo XLSX podporuje také ARFF.

Nahrajte soubor, zvolte XLS, spusťte převod, stáhněte sešit a otevřete jej v LibreOffice nebo Excelu, abyste zkontrolovali počty řádků, záhlaví, data, chybějící hodnoty a speciální znaky. Nejprve si ověřte zásady poskytovatele týkající se uchovávání a mazání dat; do obecné převodní služby nenahrávejte osobní, důvěrné ani regulované záznamy.

Automatizace převodu pomocí Pythonu

Pro opakované úlohy analyzujte ARFF pomocí knihovny podporující ARFF namísto jeho zpracování jako běžného souboru CSV. Následující příklad používá liac-arff ke čtení schématu a xlwt k zápisu staršího formátu 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")

Nejprve skript otestujte na reprezentativních datech. Chování knihoven se může lišit u dat ARFF, chybějících hodnot, nominálních štítků, řetězců v uvozovkách, řídkých řádků a relačních atributů. Skript také podléhá omezením XLS týkajícím se počtu řádků a sloupců.

Kontroly kvality a kompatibility

• Deklarace ARFF jsou metadata schématu, nikoli formátování tabulky. Názvy polí a hodnoty se obvykle přenesou, ale komentáře, názvy relací, filtry Weka, nastavení tříd a definice kategorií se automaticky nestanou funkcemi XLS.
• Chybějící hodnoty ARFF se běžně zapisují jako ?. Importér CSV nebo skript může místo toho vytvořit prázdné buňky nebo nulové hodnoty; před analýzou zvolte a ověřte požadovanou reprezentaci.
• Nominální atributy se stanou běžnými hodnotami buněk. Jejich seznamy povolených hodnot a pořadí se nespolehlivě zachovávají, pokud je nezdokumentujete nebo znovu nevytvoříte pomocí ověřování dat v tabulce.
• Řídké řádky se rozbalí na úplné řádky tabulky, což může výrazně zvětšit velikost souboru.
• Relační atributy obsahují vnořená data a nelze je věrně reprezentovat v jednom plochém listu. Exportujte je samostatně nebo si ponechte původní ARFF.
• Řetězce začínající znaky =, +, - nebo @ mohou být interpretovány jako vzorce nebo jiné výrazy tabulky. Nedůvěryhodná řetězcová pole importujte jako text a výsledný sešit zkontrolujte.
• Původní soubor .arff uchovávejte jako autoritativní dataset, pokud záleží na schématu, komentářích, nominálních deklaracích nebo reprodukovatelnosti strojového učení.