Converter XLS para ARFF

Weka normalmente usa ARFF quando dados de planilha precisam ser carregados como um dataset de machine learning com atributos e valores declarados. A conversão geralmente é acionada pela preparação de uma tabela do Excel para o Weka Explorer, Experimenter, KnowledgeFlow ou código baseado em Weka.

O que XLS contém

XLS é o formato binário de workbook do Microsoft Excel 97–2003. Microsoft Excel, LibreOffice Calc, Apache OpenOffice Calc e sistemas de relatórios empresariais podem abri-lo ou criá-lo.

Um workbook XLS pode conter várias worksheets, fórmulas, gráficos, formatação, células mescladas, notas, linhas ocultas e várias tabelas não relacionadas. ARFF representa uma tabela de dados, portanto isole um intervalo retangular com uma única linha de cabeçalho antes da conversão.

As worksheets XLS legadas são limitadas a 65.536 linhas e 256 colunas. .xlsx é um formato Excel diferente, baseado em XML; alterar o nome de arquivo de .xlsx para .xls não o converte.

O que ARFF contém

ARFF (Attribute-Relation File Format) é o formato de dataset de texto do Weka. Seu cabeçalho define uma relation e attributes, seguido por uma seção @data contendo records.

ARFF pode declarar attributes numeric, nominal, string, date e relational. Um dataset simples pode conter @relation customers, @attribute age numeric, @attribute churn {yes,no} e, em seguida, @data com valores separados por vírgulas.

Sua principal vantagem em relação a uma planilha é que o schema do dataset é armazenado com os valores. O arquivo é texto simples, pode ser controlado por versão e inspecionado em um editor de texto, e não retém recursos de apresentação específicos de workbooks.

Converter por meio de CSV e Weka

O fluxo de trabalho desktop mais confiável é exportar a worksheet necessária como CSV e salvá-la como ARFF usando o Weka 3.8. Isso evita diferenças entre o suporte do Excel/Spreadsheet loader das instalações do Weka e oferece controle sobre os tipos de attributes inferidos.

1. Abra o arquivo XLS no Excel ou no LibreOffice Calc. Mantenha apenas uma tabela; remova linhas de título, totais, linhas separadoras vazias, comentários e cabeçalhos repetidos. Dê a cada coluna um cabeçalho exclusivo.
2. Recalcule as fórmulas e salve o workbook. A exportação CSV grava valores exibidos ou armazenados em cache, não a lógica das fórmulas do Excel.
3. Exporte a worksheet relevante usando File → Save As ou File → Export e selecione CSV UTF-8 quando disponível. O Excel exporta apenas a worksheet ativa; repita o processo para cada sheet necessária.
4. Inicie o Weka, abra Explorer → Preprocess, selecione Open file e abra o arquivo CSV.
5. Inspecione cada attribute. Remova colunas que não sejam features com Filter → Choose → unsupervised → attribute → Remove. Use StringToNominal para categorias finitas e NumericToNominal para códigos ou identificadores cuja magnitude numérica não tenha significado.
6. Defina o target attribute no seletor Class do Weka ao preparar dados supervisionados. ARFF não armazena uma designação de class; o Weka pode exigir essa seleção novamente após reabrir o arquivo.
7. Selecione Save, use um nome de arquivo que termine em .arff e reabra o resultado para verificar o nome da relation, as declarações de attributes e a quantidade de instances.

Algumas distribuições do Weka fornecem um Excel ou Spreadsheet loader que pode abrir XLS diretamente. Use-o somente após confirmar que o loader instalado oferece suporte ao formato de origem e importa a worksheet pretendida corretamente; a importação direta pode variar conforme a versão do Weka e as bibliotecas opcionais.

Para uma conversão pontual de dados não confidenciais, o Convertio pode ser usado se o seletor de formatos atual oferecer XLS para ARFF. Inspecione o arquivo baixado no Weka antes de usá-lo e não carregue workbooks pessoais, de saúde, financeiros ou proprietários em serviços de terceiros.

Verificações de schema e compatibilidade

ARFF não preserva fórmulas, gráficos, formatação de células, células mescladas, comentários, tabelas dinâmicas, named ranges, macros ou worksheets adicionais. Ele armazena apenas valores e attributes declarados.

Mantenha o tipo de cada coluna consistente. Uma coluna predominantemente numérica contendo labels como N/A pode ser carregada como texto, enquanto um número de cliente pode ser tratado como uma medida numérica, embora seja apenas um identificador. Remova identificadores quando possível; caso contrário, transforme-os em attributes nominal ou string.

Use ? para valores ausentes em ARFF. Células vazias da planilha, N/A e - exigem tratamento deliberado, pois podem se tornar valores literais de categoria ou forçar um attribute de texto.

Datas exigem atenção especial. CSV não possui um tipo de data confiável, portanto verifique se as colunas de data têm a declaração ARFF pretendida, como @attribute order_date date "yyyy-MM-dd", em vez de uma string ou número arbitrário. Valores contendo vírgulas, aspas, espaços, chaves ou sinais de porcentagem podem exigir aspas e escaping em ARFF; salvar pelo Weka trata essa sintaxe.