Converter ARFF para CSV

As equipes convertem conjuntos de dados Weka quando o Excel, um importador de banco de dados ou um colaborador espera uma tabela CSV simples em vez de declarações ARFF. CSV é mais fácil de inspecionar e compartilhar, mas a conversão remove as informações de esquema armazenadas no cabeçalho ARFF.

Formatos ARFF e CSV

ARFF (Attribute-Relation File Format) é um formato de conjunto de dados em texto simples usado principalmente pelo software de aprendizado de máquina Weka. Um arquivo ARFF contém um cabeçalho com um nome de relação e declarações @ATTRIBUTE, seguidas por uma seção @DATA contendo registros.

Os atributos podem ser numéricos, nominais, de string, de data e, no Weka, relacionais. Uma declaração nominal como @ATTRIBUTE class {yes,no} define tanto o tipo do campo quanto seus valores permitidos. O ARFF também pode armazenar linhas esparsas, como {0 1,3 blue}, nas quais os valores omitidos usam o valor padrão do formato.

CSV armazena uma tabela simples como linhas separadas por delimitadores, normalmente com os nomes das colunas na primeira linha. Aplicativos de planilha, pandas, R, ferramentas de importação de bancos de dados e muitos portais de dados aceitam CSV diretamente. CSV não possui declarações de tipo padrão, listas de valores nominais, nome de relação, comentários nem notação de linhas esparsas.

Converter com Weka

Weka é o conversor para desktop mais confiável, pois lê cabeçalhos ARFF, valores entre aspas, valores ausentes, atributos nominais e instâncias esparsas.

1. Abra o Weka e inicie o Explorer.
2. Na guia Preprocess, selecione Open file... e escolha o arquivo .arff.
3. Verifique a lista de atributos e a contagem de instâncias para confirmar que o Weka carregou o conjunto de dados esperado.
4. Selecione Save..., escolha CSV data files (*.csv), insira um nome de saída, como dataset.csv, e salve.
5. Abra o resultado em um editor de texto ou no programa de destino pretendido e verifique a linha de cabeçalho, o delimitador, a codificação de caracteres e a representação de valores ausentes.

Para conversões repetíveis, execute o CSV saver do Weka em um terminal. Substitua /path/to/weka.jar pelo caminho do JAR do Weka instalado:

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

No Windows, coloque entre aspas os caminhos que contêm espaços, por exemplo, "C:\Program Files\Weka-3-8\weka.jar". Use o launcher fornecido pela instalação do Weka ou a configuração de classpath se a versão exigir bibliotecas adicionais.

Converter com Python ou um serviço online

pandas não lê arquivos ARFF nativamente; ele precisa de um parser ARFF. Para arquivos ARFF densos comuns, instale liac-arff e pandas:

pip install liac-arff pandas

import arff
import pandas as pd

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

columns = [name for name, _ in dataset["attributes"]]
pd.DataFrame(dataset["data"], columns=columns).to_csv("output.csv", index=False)

Teste arquivos ARFF esparsos antes de usar um parser Python em produção; o Weka é a opção mais segura quando estão envolvidas instâncias esparsas, citações incomuns ou definições de atributos específicas do Weka.

Para um arquivo pequeno e não confidencial, serviços de navegador como Zamzar e Convertio podem oferecer conversão de ARFF para CSV. Confirme o suporte atual a ARFF e os termos de retenção antes de fazer o upload. Não envie conjuntos de dados de clientes, médicos, financeiros, de pesquisa ou proprietários para um serviço externo de conversão.

Verificações de compatibilidade

Preserve o arquivo ARFF original. CSV mantém os valores, mas perde os tipos declarados, nomes de relações, comentários de atributos, restrições de valores nominais e outros metadados do cabeçalho. Mantenha o cabeçalho ARFF ou documente o esquema separadamente quando os destinatários precisarem distinguir números, datas, categorias e texto livre.

Os valores ausentes em ARFF são comumente escritos como ?. Dependendo do conversor, a saída CSV pode conter um campo vazio, ? ou outro marcador. Verifique isso antes de importar para um software que trate campos em branco, NA e pontos de interrogação de maneira diferente.

Os campos CSV que contêm vírgulas, aspas ou quebras de linha devem ser colocados entre aspas de acordo com as regras de CSV. Não converta ARFF substituindo vírgulas ou dividindo linhas com comandos básicos de texto; esses métodos corrompem valores entre aspas e não podem expandir linhas esparsas.

Algumas instalações de planilhas esperam um ponto e vírgula em vez de uma vírgula devido às configurações regionais. Se as colunas aparecerem em uma única célula após a abertura do arquivo, use a caixa de diálogo de importação de texto da planilha e selecione explicitamente o delimitador, em vez de editar o CSV manualmente.