Online konvertor XLSX do ARFF zdarma

Weka a některé aplikace pro data mining vyžadují ARFF namísto sešitů Excelu, takže tabulková data je před analýzou nutné převést. Převod extrahuje jeden list do jedné typované datové sady; nezachovává rozvržení sešitu ani funkce pro úpravy.

Co je formát XLSX

XLSX je formát sešitů založený na XML, který používá Microsoft Excel a který podporují LibreOffice Calc, Apple Numbers a Google Sheets při exportu do formátu Excel. Může obsahovat více listů, vzorce, data, formátování, sloučené buňky, grafy, filtry a skryté řádky.

Soubory XLSX jsou běžné v obchodních sestavách, průzkumech, laboratorních záznamech, exportech dat a ručně udržovaných datových sadách. Software pro machine learning obvykle potřebuje jeden obdélníkový rozsah záznamů, proto před převodem vyberte jeden list a odstraňte názvy, mezisoučty, poznámky a další řádky, které nepředstavují záznamy.

Co je formát ARFF

ARFF neboli Attribute-Relation File Format je formát datové sady v prostém textu spojovaný s Weka. Jeho hlavička deklaruje relaci a každý atribut, po kterých následuje část @data obsahující záznamy.

@relation customers

@attribute age numeric
@attribute region {north,south,west}
@attribute churn {yes,no}

@data
42,north,no
35,south,yes

Mezi běžné typy atributů patří numeric, string, date a konečné nominální seznamy, například {yes,no}. ARFF používá ? pro chybějící hodnoty. Protože jsou názvy, typy a definice kategorií uloženy společně s daty, může Weka importovat datovou sadu, aniž by musela odhadovat veškerá metadata ze samostatné tabulky. ARFF lze také číst v textovém editoru a je vhodný pro správu verzí.

Převod pomocí 101convert.com

1. Otevřete převodník XLSX na ARFF na webu 101convert.com. Soubor lze převést online zdarma bez instalace softwaru.
2. Nahrajte sešit .xlsx a vyberte list obsahující záznamy, pokud je výběr listu k dispozici.
3. Spusťte převod a stáhněte výsledný soubor .arff.
4. Otevřete soubor ve Weka nebo v textovém editoru. Před analýzou zkontrolujte název relace, deklarace atributů, počet řádků, první záznamy, chybějící hodnoty a odvozené typy.

Důvěrné sešity převádějte pouze tehdy, pokud jsou aktuální podmínky služby týkající se zpracování souborů přijatelné. U citlivých dat použijte místní postup.

Místní převod pomocí LibreOffice a Weka

Mezisoubor CSV je užitečný, když list před převodem vyžaduje vizuální vyčištění.

1. Otevřete sešit v LibreOffice Calc a vyberte požadovaný list.
2. Odstraňte řádky s názvy, sloučené buňky, vysvětlující poznámky, mezisoučty, prázdné koncové sloupce a souhrnné části, které nepředstavují pozorování. Zajistěte, aby první řádek obsahoval jedinečné názvy atributů a aby každý řádek s daty měl stejné sloupce.
3. Vyberte File → Save As, zvolte Text CSV (.csv) a nastavte kódování UTF-8, čárku jako oddělovač polí a dvojité uvozovky jako oddělovač textu.
4. Otevřete Weka Explorer a zvolte Preprocess → Open file. Vyberte soubor CSV a zkontrolujte atributy a počet instancí.
5. Pomocí ovládacích prvků předzpracování ve Weka opravte nesprávně odvozené typy nebo odstraňte nevhodné sloupce.
6. Pomocí ovládacího prvku Save v Exploreru uložte datovou sadu jako dataset.arff.

Některá vydání nebo instalace Weka poskytují načítač Excelu, který dokáže otevřít XLSX přímo. Pokud Preprocess → Open file sešit nerozpozná, použijte cestu přes CSV nebo nainstalujte požadovaný načítač Weka a závislosti pro tabulky. Přejmenováním .xlsx na .arff se soubor nepřevede.

Programový převod pomocí Pythonu

Python je vhodný pro opakovatelné převody, výběr listů, přejmenování sloupců a dávkové zpracování. Nainstalujte čtečku XLSX a zapisovač ARFF:

pip install pandas openpyxl liac-arff

import pandas as pd
import arff

df = pd.read_excel("input.xlsx", sheet_name="Data")
df.columns = [str(c).strip() for c in df.columns]

data = df.where(pd.notna(df), None)
attributes = []
for column in data.columns:
    values = data[column]
    if pd.api.types.is_numeric_dtype(values):
        kind = "numeric"
    else:
        data[column] = values.map(lambda value: None if value is None else str(value))
        distinct = sorted({value for value in data[column] if value is not None})
        kind = distinct if 0 < len(distinct) <= 50 else "string"
    attributes.append((str(column), kind))

with open("output.arff", "w", encoding="utf-8", newline="") as file:
    arff.dump({
        "relation": "dataset",
        "attributes": attributes,
        "data": data.values.tolist()
    }, file)

Nahraďte sheet_name="Data" názvem listu nebo indexem začínajícím nulou, například sheet_name=0. Příklad považuje malé konečné textové sloupce za nominální a větší sloupce nebo sloupce s volným textem za řetězce; práh a klasifikace upravte podle datové sady. Vygenerovaný ARFF zkontrolujte, protože automatické odvození typů nedokáže určit, zda je identifikátor užitečnou vlastností, zda má číselně vypadající kód zůstat textem nebo zda je seznam kategorií úplný.

Kontroly kvality a kompatibility

• Vzorce: ARFF ukládá hodnoty, nikoli vzorce Excelu. Pokud mohou být výsledky vzorců uložené v mezipaměti zastaralé, před převodem sešit přepočítejte a uložte.
• Listy: ARFF představuje jednu relaci. Každý kompatibilní list převeďte do samostatného souboru; nekombinujte listy s odlišnými sloupci bez záměrně definovaného schématu.
• Hlavičky: Odstraňte prázdné nebo duplicitní hlavičky a sjednoťte nadbytečné mezery. Názvy atributů obsahující interpunkci, mezery, čárky, uvozovky nebo konce řádků mohou vyžadovat uvozování nebo escapování.
• Číselná data: Symboly měn, oddělovače tisíců, smíšené jednotky a text jako unknown mohou způsobit, že se ze sloupce stane text. Tyto hodnoty před převodem normalizujte.
• Chybějící hodnoty: Prázdné buňky by se měly převést na ?, nikoli na prázdný řetězec nebo nulu, pokud tyto hodnoty nemají zamýšlený význam.
• Nominální atributy: Každá nechybějící hodnota musí být uvedena v konečné deklaraci. Rozdíly ve spellingu, velikosti písmen nebo koncových mezerách vytvářejí samostatné kategorie.
• Data: Sériová data Excelu a řetězce závislé na národním prostředí mohou být načteny nesprávně. Normalizujte je a deklarujte vzor data ARFF, například @attribute created date 'yyyy-MM-dd'.
• Identifikátory: ID záznamů jsou často odvozena jako numerické nebo nominální atributy, ale z prediktivních modelů by obvykle měla být vyloučena, protože nepopisují měřenou entitu.
• Vyřazený obsah: Grafy, formátování, komentáře, rozvržení se sloučenými buňkami, filtry, metadata sešitu a výrazy vzorců nejsou v ARFF zastoupeny. Původní XLSX si ponechte, pokud tyto funkce stále potřebujete.
• Kódování: Používejte UTF-8 a ve Weka kontrolujte názvy a hodnoty mimo ASCII, zejména pokud data obsahují znaky s diakritikou nebo nelatinské znaky.