Conversor online gratuito de XLSX para ARFF

O Weka e alguns aplicativos de mineração de dados exigem ARFF em vez de pastas de trabalho do Excel, portanto os dados da planilha precisam ser convertidos antes de serem analisados. A conversão extrai uma planilha para um único conjunto de dados tipado; ela não preserva o layout nem os recursos de edição da pasta de trabalho.

O que é o formato XLSX

XLSX é o formato de pasta de trabalho baseado em XML usado pelo Microsoft Excel e compatível com LibreOffice Calc, Apple Numbers e Google Sheets ao exportar para o formato do Excel. Ele pode conter várias planilhas, fórmulas, datas, formatação, células mescladas, gráficos, filtros e linhas ocultas.

Arquivos XLSX são comuns em relatórios empresariais, pesquisas, registros laboratoriais, exportações de dados e conjuntos de dados mantidos manualmente. Os softwares de aprendizado de máquina normalmente precisam de um intervalo retangular de registros; portanto, selecione uma planilha e remova títulos, subtotais, observações e outras linhas que não sejam registros antes da conversão.

O que é o formato ARFF

ARFF, ou Attribute-Relation File Format, é um formato de conjunto de dados em texto simples associado ao Weka. Seu cabeçalho declara a relação e cada atributo, seguido por uma seção @data contendo os registros.

@relation customers

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

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

Os tipos de atributo comuns incluem numeric, string, date e listas nominais finitas, como {yes,no}. O ARFF usa ? para valores ausentes. Como os nomes, tipos e definições de categorias são armazenados junto com os dados, o Weka pode importar o conjunto de dados sem precisar deduzir todos os metadados a partir de uma planilha separada. O ARFF também pode ser lido em um editor de texto e é adequado para controle de versão.

Converter com 101convert.com

1. Abra o conversor de XLSX para ARFF em 101convert.com. O arquivo pode ser convertido online gratuitamente, sem instalar software.
2. Carregue a pasta de trabalho .xlsx e selecione a planilha que contém os registros, se a seleção de planilha estiver disponível.
3. Inicie a conversão e baixe o arquivo .arff resultante.
4. Abra o arquivo no Weka ou em um editor de texto. Verifique o nome da relação, as declarações de atributos, a contagem de linhas, os primeiros registros, os valores ausentes e os tipos inferidos antes da análise.

Converta pastas de trabalho confidenciais somente quando os termos atuais de tratamento de arquivos do serviço forem aceitáveis. Para dados sensíveis, use um fluxo de trabalho local.

Converter localmente com LibreOffice e Weka

Um arquivo CSV intermediário é útil quando a planilha precisa de limpeza visual antes da conversão.

1. Abra a pasta de trabalho no LibreOffice Calc e selecione a planilha necessária.
2. Exclua linhas de título, células mescladas, observações explicativas, subtotais, colunas finais vazias e seções de resumo que não sejam observações. Certifique-se de que a primeira linha contenha nomes de atributos exclusivos e que todas as linhas de dados tenham as mesmas colunas.
3. Escolha File → Save As, selecione Text CSV (.csv) e configure a codificação UTF-8, a vírgula como delimitador de campos e aspas duplas como delimitador de texto.
4. Abra o Weka Explorer e escolha Preprocess → Open file. Selecione o arquivo CSV e verifique os atributos e a contagem de instâncias.
5. Corrija os tipos inferidos incorretamente ou remova colunas inadequadas usando os controles de pré-processamento do Weka.
6. Use o controle Save do Explorer e salve o conjunto de dados como dataset.arff.

Algumas versões ou instalações do Weka fornecem um carregador de Excel que pode abrir XLSX diretamente. Se Preprocess → Open file não reconhecer a pasta de trabalho, use a rota CSV ou instale o carregador do Weka e as dependências de planilha necessárias. Renomear .xlsx para .arff não converte o arquivo.

Converter programaticamente com Python

Python é adequado para conversões repetíveis, seleção de planilhas, renomeação de colunas e processamento em lote. Instale um leitor de XLSX e um gravador de 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)

Substitua sheet_name="Data" pelo nome de uma planilha ou por um índice baseado em zero, como sheet_name=0. O exemplo trata pequenas colunas de texto finitas como nominais e colunas maiores ou de texto livre como strings; altere o limite e as classificações de acordo com o conjunto de dados. Revise o ARFF gerado, pois a inferência automática de tipos não consegue determinar se um identificador é um recurso útil, se um código com aparência numérica deve permanecer como texto ou se uma lista de categorias está completa.

Verificações de qualidade e compatibilidade

• Fórmulas: O ARFF armazena valores, não fórmulas do Excel. Recalcule a pasta de trabalho e salve-a antes da conversão se os resultados armazenados em cache das fórmulas puderem estar desatualizados.
• Planilhas: O ARFF representa uma relação. Converta cada planilha compatível em um arquivo separado; não combine planilhas com colunas diferentes sem um esquema definido deliberadamente.
• Cabeçalhos: Remova cabeçalhos vazios ou duplicados e normalize os espaços excedentes. Nomes de atributos que contenham pontuação, espaços, vírgulas, aspas ou quebras de linha podem exigir o uso de aspas ou caracteres de escape.
• Dados numéricos: Símbolos de moeda, separadores de milhares, unidades misturadas e textos como unknown podem fazer com que uma coluna se torne texto. Normalize esses valores antes da conversão.
• Valores ausentes: Células vazias devem se tornar ?, não uma string vazia ou zero, a menos que esses valores tenham o significado pretendido.
• Atributos nominais: Todo valor não ausente deve aparecer na declaração finita. Diferenças de ortografia, capitalização ou espaços finais criam categorias separadas.
• Datas: Datas seriais do Excel e strings específicas de localidade podem ser interpretadas incorretamente. Normalize-as e declare um padrão de data ARFF, por exemplo @attribute created date 'yyyy-MM-dd'.
• Identificadores: IDs de registros geralmente são inferidos como atributos numéricos ou nominais, mas normalmente devem ser excluídos de modelos preditivos porque não descrevem a entidade medida.
• Conteúdo descartado: Gráficos, formatação, comentários, layout de células mescladas, filtros, metadados da pasta de trabalho e expressões de fórmulas não são representados no ARFF. Preserve o XLSX original quando esses recursos ainda forem necessários.
• Codificação: Use UTF-8 e verifique nomes e valores não ASCII no Weka, especialmente quando os dados contiverem caracteres acentuados ou não latinos.