Online konvertor ARFF do XLS zdarma

Starší reportovací systém, starší instalace Excelu nebo tabulkový software příjemce může vyžadovat sešit .xls namísto datové sady ARFF. Převod záznamů umožní jejich úpravy a sdílení v tabulkovém softwaru, metadata schématu ARFF a nastavení strojového učení však vyžadují samostatné uchování.

Co je formát ARFF

ARFF (Attribute-Relation File Format) je textový formát datové sady používaný především programem Weka a výzkumnými nebo data-miningovými nástroji, které si s programem Weka vyměňují data. Soubor obvykle obsahuje deklaraci @relation, definice @attribute a sekci @data spolu s volitelnými komentáři.

Atributy mohou být číselné, nominální, řetězcové, datové nebo relační. Chybějící hodnoty se běžně zapisují jako ?. Záznamy mohou používat husté řádky nebo řídkou notaci, při které jsou uvedeny pouze vybrané hodnoty odlišné od výchozích. ARFF se používá při experimentech se strojovým učením, ve vysokoškolských kurzech, výzkumných datových sadách a reprodukovatelných pracovních postupech ve Weka.

Co je formát XLS

XLS je binární formát sešitů aplikace Microsoft Excel pro Excel 97–2003. Ukládá listy obsahující hodnoty buněk, vzorce, formátování, filtry a některá metadata grafů a sešitu. Na rozdíl od formátu ARFF je určen k úpravám v tabulkovém procesoru, tvorbě sestav a kompatibilitě se staršími aplikacemi.

Pracovní list XLS podporuje nejvýše 65 536 řádků a 256 sloupců. XLS má také limit 32 767 znaků v buňce a může snížit přesnost čísel s více než 15 platnými číslicemi. Pro datové sady překračující tyto limity nebo vyžadující moderní funkce sešitů použijte XLSX, CSV nebo databázi.

Převod pomocí Weka a LibreOffice

1. Otevřete Weka Explorer a zvolte Preprocess → Open file. Vyberte soubor .arff.
2. Zkontrolujte názvy atributů, počet instancí, atribut třídy, nominální hodnoty a počet chybějících hodnot zobrazený programem Weka.
3. Na panelu Preprocess použijte ovládací prvek Save a zvolte výstup CSV. Uložte pomocný soubor jako dataset.csv. Weka zpracuje hlavičku ARFF a rozbalí řídké záznamy na běžné řádky.
4. Otevřete soubor dataset.csv v LibreOffice Calc. V dialogu importu vyberte skutečný oddělovač, obvykle čárku, a potvrďte kódování znaků a nastavení polí v uvozovkách.
5. Při importu nastavte sloupce s identifikátory, kódy a dlouhými čísly na typ Text, pokud by automatická detekce mohla odstranit úvodní nuly nebo změnit číselné hodnoty. Zkontrolujte data, chybějící hodnoty, oddělovače v uvozovkách, znaky Unicode a řádek hlavičky.
6. Zvolte File → Save As, vyberte Excel 97–2003 (*.xls) a potvrďte upozornění na starší formát.
7. Výsledný sešit znovu otevřete v LibreOffice Calc nebo Excelu a porovnejte jeho hlavičky, počet řádků, počet sloupců, data, speciální znaky a reprezentativní hodnoty se zdrojem ARFF.

Tato dvoufázová metoda vytvoří skutečný sešit XLS namísto pouhé změny přípony souboru. Nezachová komentáře ARFF, deklaraci relace, filtry Weka, nastavení výběru třídy ani výsledky strojového učení jako funkce sešitu.

Převod bez instalace softwaru

Soubor můžete zdarma převést na webu 101convert.com bez instalace softwaru. Výsledný sešit před sdílením stáhněte a zkontrolujte, zejména pokud data obsahují důvěrné záznamy, data, řídké řádky, dlouhé řetězce nebo více než 65 536 řádků. Původní soubor ARFF si ponechte, protože nahraný XLS obvykle obsahuje pouze převedenou tabulku, nikoli kompletní schéma ARFF a metadata.

Automatizace převodu pomocí Pythonu

Pro opakované úlohy použijte parser podporující ARFF a zapisovač XLS namísto toho, abyste s ARFF zacházeli jako s běžným souborem CSV. Následující příklad používá liac-arff a xlwt:

python -m pip install liac-arff xlwt

import arff
import xlwt

with open("dataset.arff", "r", encoding="utf-8") as source:
    parsed = arff.load(source)

workbook = xlwt.Workbook()
sheet = workbook.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)

workbook.save("dataset.xls")

Otestujte skript na reprezentativních souborech. Knihovny ARFF se liší způsobem zpracování dat, řetězců v uvozovkách, polí typu bytes, řídkých řádků, chybějících hodnot a relačních atributů. Relační atributy obsahují vnořená data a nelze je věrně reprezentovat v jediném plochém listu XLS; exportujte je samostatně nebo si ponechte původní ARFF. Skript rovněž podléhá limitům XLS pro počet řádků, sloupců, délku buněk a číselnou přesnost.

Omezení kvality a kompatibility

• Deklarace atributů ARFF popisují datové typy a seznamy nominálních hodnot; do XLS se obvykle přenesou pouze záhlaví sloupců a hodnoty buněk. Nominální kategorie se proto stanou běžnými buňkami, nikoli pravidly ověřování dat v Excelu.
• Chybějící hodnoty zapsané jako ? se mohou během převodu změnit na prázdné buňky nebo hodnoty podobné null. Zvolte požadovaný způsob reprezentace a před analýzou jej ověřte.
• Data se mohou změnit na text nebo na jinak formátovaná data tabulkového procesoru. Ověřte uložené hodnoty a formát data použijte až po importu.
• Import CSV může nesprávně interpretovat identifikátory, úvodní nuly, velká celá čísla a desetinné hodnoty. Citlivé sloupce importujte jako text a zkontrolujte přesnost.
• Řídké řádky ARFF se rozbalí na úplné řádky, což může výrazně zvětšit velikost sešitu.
• Řetězce začínající znaky =, +, - nebo @ může tabulkový software považovat za vzorce nebo výrazy. Nedůvěryhodná řetězcová pole importujte jako text a sešit zkontrolujte.
• Původní soubor .arff si ponechte jako autoritativní kopii, pokud jsou důležité komentáře, deklarace schématu, nominální definice, vnořená data nebo reprodukovatelnost strojového učení.