Online konvertor ARFF do XLSX zdarma

Soubory ARFF jsou běžné v pracovních postupech strojového učení, ale tabulkové aplikace je obvykle neotevírají přímo. Převod do formátu XLSX zpřístupní záznamy ke kontrole, filtrování, úpravám a sdílení v aplikacích Excel nebo LibreOffice Calc.

Co je formát ARFF

ARFF (Attribute-Relation File Format) je textový formát datových sad spojený s nástrojem strojového učení Weka. Soubor ARFF obsahuje deklaraci @relation, definice @attribute popisující názvy a typy sloupců a část @data obsahující husté nebo řídké záznamy.

Soubory ARFF vytvářejí Weka, KEEL, software pro výzkum strojového učení a vlastní programy v Pythonu nebo Javě. Obvykle se s nimi setkáte u klasifikace, shlukování, benchmarkingu a vzdělávacích datových sad. ARFF podporuje číselné, nominální, řetězcové a datové hodnoty i chybějící hodnoty reprezentované znakem ?.

Co je formát XLSX

XLSX je tabulkový formát založený na XML, který používá Microsoft Excel a který podporují LibreOffice Calc, import v Google Sheets a další tabulkové programy. Ukládá tabulkové hodnoty do listů a podporuje filtrování, vzorce, grafy, formátování a více listů.

Formát XLSX je vhodnější, když uživatelé potřebují datovou sadu ručně prohlížet nebo upravovat, odeslat ji uživatelům bez nástroje Weka, archivovat ji s kancelářskými dokumenty nebo provádět analýzu v tabulkovém procesoru. Při převodu se atributy ARFF obvykle umístí do prvního řádku a datové záznamy do řádků pod ním.

Jak skutečně převést ARFF do XLSX

Pomocí Pythonu

Tato metoda zachovává tabulku dat ARFF a pomocí parseru liac-arff zpracovává nominální a řídké záznamy.

1. Nainstalujte požadované balíčky:

python -m pip install liac-arff pandas openpyxl

2. Uložte následující kód jako arff_to_xlsx.py:

import arff
import pandas as pd

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

columns = [attribute[0] for attribute in dataset['attributes']]
frame = pd.DataFrame(dataset['data'], columns=columns)
frame.to_excel('output.xlsx', index=False, engine='openpyxl')

3. Umístěte soubor input.arff vedle skriptu a spusťte:

python arff_to_xlsx.py

Výsledný soubor output.xlsx obsahuje jeden list s názvy atributů v záhlavích sloupců. Aby Excel nesprávně neinterpretoval hodnoty připomínající datum nebo identifikátory, zkontrolujte výsledné sloupce a po otevření sešitu použijte požadované číselné formáty.

Pomocí Weka a LibreOffice

Weka může nejprve exportovat data ARFF do formátu CSV, načež je LibreOffice Calc může uložit jako XLSX:

java -cp weka.jar weka.core.converters.CSVSaver -i input.arff -o output.csv

Otevřete soubor output.csv v LibreOffice Calc, v dialogovém okně importu ověřte oddělovač a kódování znaků, poté zvolte File → Save As, vyberte Excel 2007–365 (*.xlsx) a sešit uložte. Tento postup je užitečný, když je Weka již nainstalovaná nebo když chcete zkontrolovat exportovaný soubor CSV před vytvořením tabulkového sešitu.

Pomocí online převodníku

Chcete-li převést soubor bez instalace softwaru, nahrajte soubor ARFF do bezplatného převodníku na webu 101convert.com a jako výstupní formát vyberte XLSX. Stáhněte vygenerovaný sešit a před použitím k analýze zkontrolujte jeho sloupce a chybějící hodnoty.

Omezení kvality a kompatibility

XLSX nemá model relací a deklarací atributů jako ARFF. Název relace, seznamy nominálních hodnot, deklarace formátu data, komentáře a metadata strojového učení se v sešitu nemusí objevit, pokud nejsou přidány do samostatného listu nebo zachovány v původním souboru ARFF.

Chybějící hodnoty mohou zůstat jako ?, změnit se na prázdné buňky nebo být převedeny na chybějící hodnotu specifickou pro danou knihovnu. Před importem do jiného programu výsledek ověřte. Nominální atributy se exportují jako běžné hodnoty buněk; XLSX automaticky nezachovává seznamy povolených hodnot.

Excel může automaticky změnit interpretaci dlouhých celých čísel, identifikátorů s počátečními nulami, dat a vědeckého zápisu. Pokud záleží na přesném znakovém vyjádření, importujte tyto sloupce jako text nebo použijte explicitní formát. XLSX má také limit 1 048 576 řádků a 16 384 sloupců na jeden list; větší datové sady ARFF vyžadují rozdělení nebo jiný datový formát.