Converter ARFF para XLS

Microsoft Excel, um sistema legado de geração de relatórios ou o software de planilhas do destinatário pode exigir uma pasta de trabalho .xls em vez de um dataset ARFF. A conversão permite editar e compartilhar os dados, mas o schema ARFF e os metadados de machine-learning precisam ser preservados separadamente.

O que é o formato ARFF

ARFF (Attribute-Relation File Format) é um formato de dataset baseado em texto associado à plataforma de machine-learning Weka. Um arquivo normalmente contém um nome de relação, uma declaração @attribute para cada campo, uma seção @data e comentários opcionais.

ARFF oferece suporte a atributos numéricos, nominais, de string, de data e relacionais. Também oferece suporte a linhas esparsas, nas quais somente os valores não padrão são armazenados. ARFF é comum em projetos Weka, cursos universitários, datasets acadêmicos e fluxos de trabalho de data mining.

O que é o formato XLS

XLS é o formato binário de pasta de trabalho do Microsoft Excel para o Excel 97–2003. Ele armazena dados tabulares em planilhas e oferece suporte a fórmulas, formatação, filtros, gráficos e edição de planilhas.

XLS continua sendo útil para aplicações legadas ou destinatários que rejeitam XLSX. Cada planilha é limitada a 65.536 linhas e 256 colunas, portanto datasets maiores devem usar XLSX, CSV ou um banco de dados. XLS também tem limites práticos de tamanho de célula e compatibilidade que podem truncar ou alterar valores excepcionalmente longos.

Converter com Weka e LibreOffice

1. Instale o Weka a partir de seu site oficial e o LibreOffice a partir de libreoffice.org.
2. Abra o Weka e escolha Explorer → Preprocess → Open file, depois selecione o arquivo .arff.
3. Verifique os nomes de atributos exibidos, a contagem de instâncias, o atributo de classe e a contagem de valores ausentes.
4. Use o controle Save do painel Preprocess e selecione a saída CSV. Salve o resultado como dataset.csv. O Weka lê as declarações ARFF e expande as instâncias esparsas antes de gravar linhas comuns.
5. Abra dataset.csv no LibreOffice Calc. Na caixa de diálogo de importação, escolha o delimitador real, geralmente vírgula, e habilite o tratamento de campos entre aspas. Defina como texto as colunas que contêm identificadores, números longos ou códigos quando a detecção automática de tipo alterar seus valores.
6. Verifique datas, valores ausentes, delimitadores dentro de strings entre aspas, caracteres Unicode e os nomes dos campos na primeira linha. Escolha File → Save As, selecione Excel 97–2003 (*.xls) e aceite o aviso sobre o formato legado.

Esse método em duas etapas é mais seguro do que renomear a extensão: o Weka analisa a sintaxe ARFF, enquanto o Calc cria uma pasta de trabalho XLS real. Ele não preserva filtros do Weka, configurações de seleção de classe, comentários nem a declaração de relação original.

Usar um conversor online

Serviços como CloudConvert e Zamzar podem ser considerados para arquivos não confidenciais, mas o suporte a ARFF e os formatos de saída disponíveis podem mudar. Antes de fazer o upload, confirme se o seletor de formatos atual do serviço lista explicitamente ARFF como entrada e XLS como saída; não presuma que um serviço que oferece suporte a CSV ou XLSX também oferece suporte a ARFF.

Faça o upload do arquivo, escolha XLS, execute a conversão, baixe a pasta de trabalho e abra-a no LibreOffice ou no Excel para inspecionar as contagens de linhas, cabeçalhos, datas, valores ausentes e caracteres especiais. Verifique primeiro a política de retenção e exclusão do provedor; não faça upload de registros pessoais, confidenciais ou regulamentados para um serviço genérico de conversão.

Automatizar a conversão com Python

Para tarefas repetíveis, analise ARFF com uma biblioteca compatível com ARFF em vez de tratá-lo como um arquivo CSV comum. O exemplo a seguir usa liac-arff para ler o schema e xlwt para gravar no formato XLS legado:

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")

Teste primeiro o script com dados representativos. O comportamento das bibliotecas pode variar para datas ARFF, valores ausentes, rótulos nominais, strings entre aspas, linhas esparsas e atributos relacionais. O script também está sujeito aos limites de linhas e colunas do XLS.

Verificações de qualidade e compatibilidade

• As declarações ARFF são metadados de schema, não formatação de planilha. Nomes de campos e valores geralmente são transferidos, mas comentários, nomes de relações, filtros do Weka, configurações de classe e definições de categorias não se tornam automaticamente recursos do XLS.
• Valores ausentes em ARFF geralmente são gravados como ?. Um importador de CSV ou script pode produzir células vazias ou valores nulos; escolha e verifique a representação pretendida antes da análise.
• Atributos nominais tornam-se valores comuns de células. Suas listas de valores permitidos e sua ordenação não são preservadas de forma confiável, a menos que você as documente ou recrie usando a validação da planilha.
• Linhas esparsas são expandidas para linhas completas da planilha, o que pode aumentar substancialmente o tamanho do arquivo.
• Atributos relacionais contêm dados aninhados e não podem ser representados fielmente em uma única planilha plana. Exporte-os separadamente ou mantenha o ARFF original.
• Strings que começam com =, +, - ou @ podem ser interpretadas como fórmulas ou outras expressões de planilha. Importe campos de string não confiáveis como texto e inspecione a pasta de trabalho resultante.
• Mantenha o arquivo .arff original como o dataset oficial quando schema, comentários, declarações nominais ou reprodutibilidade de machine-learning forem importantes.