Converter XLSX para ARFF

O Weka e outras ferramentas de machine learning usam normalmente ARFF, enquanto os dados de origem costumam ser fornecidos como um workbook do Excel. A conversão é necessária quando o aplicativo de destino não pode importar XLSX diretamente ou exige tipos de atributos explícitos, marcadores de valores ausentes e metadados do dataset.

O que é o formato XLSX

XLSX é o formato de workbook baseado em XML usado pelo Microsoft Excel e compatível com LibreOffice Calc, Apple Numbers e Google Sheets por meio da exportação para Excel. Um workbook pode conter várias planilhas, fórmulas, formatação, células mescladas, gráficos, linhas ocultas e valores tipados, mas os softwares de data mining normalmente leem um intervalo retangular de uma única planilha.

ARFF não possui equivalente direto para o layout do workbook, gráficos, formatação, comentários, filtros ou células mescladas. A conversão extrai os valores das células e cria um dataset tabular; ela não preserva o workbook como uma planilha editável.

O que é o formato ARFF

ARFF, ou Attribute-Relation File Format, é o formato de dataset em texto simples do Weka. Um arquivo típico contém uma declaração @relation, uma declaração @attribute por coluna e uma seção @data contendo os registros.

Os tipos de atributo comuns são numeric, string, date e valores nominais declarados com uma lista finita, como {yes,no}. Um valor ausente é escrito como ?. Declarações explícitas reduzem a ambiguidade quando o Weka executa classificação, clustering, seleção de atributos ou outras análises.

Converter com o Weka

O Weka é a opção desktop mais direta, pois seu ExcelLoader pode ler arquivos XLSX e o Explorer pode salvar o dataset carregado como ARFF.

1. Instale o Weka a partir da distribuição oficial do Weka e inicie o Explorer.
2. Selecione Preprocess → Open file e escolha o workbook .xlsx.
3. Se o workbook contiver várias planilhas, abra as opções do loader e selecione a planilha necessária. O ExcelLoader normalmente usa -S 2 para a segunda planilha; os nomes e a numeração das opções devem ser confirmados com ExcelLoader -h para a versão instalada do Weka.
4. Verifique os nomes e tipos dos atributos exibidos, bem como a quantidade de instâncias. Remova as linhas de título ou altere as configurações do loader se a primeira linha não for um cabeçalho.
5. Selecione o controle Save do Explorer e salve o dataset com a extensão .arff.

O suporte do Weka ao Excel depende da versão do Weka e das bibliotecas de leitura de planilhas incluídas ou instaladas. Se o XLSX não for reconhecido, atualize o Weka ou use o método com Python abaixo, em vez de simplesmente renomear o arquivo.

Converter com Python

Python é preferível para conversões reproduzíveis, seleção de planilhas, limpeza de colunas e processamento em lote. Instale pandas, o leitor de XLSX e um gravador de ARFF:

pip install pandas openpyxl liac-arff

Este exemplo trata colunas numéricas como numéricas, converte outras colunas em texto, usa colunas com poucos valores fixos como atributos nominais e grava células ausentes como valores ausentes do ARFF:

import pandas as pd
import arff

df = pd.read_excel('input.xlsx', sheet_name=0)with open('output.arff', 'w', encoding='utf-8') as file:

Substitua sheet_name=0 pelo nome da planilha ou por um índice baseado em zero. Revise as declarações geradas, especialmente nas colunas que contêm números e texto. Renomeie cabeçalhos duplicados ou em branco antes de gravar o arquivo; os nomes dos atributos ARFF precisam ser utilizáveis e não ambíguos.

Usar um conversor online como etapa intermediária

A conversão direta de XLSX para ARFF pela web é incomum e normalmente oferece pouco controle sobre a seleção de planilhas ou as declarações de tipos do ARFF. Um serviço confiável, como o CloudConvert, pode converter XLSX para CSV; baixe o CSV, abra-o no Weka usando Preprocess → Open file, verifique os tipos inferidos e salve-o como ARFF. A conversão para CSV perde recursos do workbook e ainda exige a verificação dos tipos; portanto, não envie workbooks confidenciais, a menos que os termos de tratamento de dados do serviço sejam aceitáveis.

Verificações de qualidade e compatibilidade

• Cabeçalhos: Remova linhas de título, células de cabeçalho vazias e nomes duplicados. A primeira linha costuma ser interpretada como a linha de nomes dos atributos.
• Fórmulas: Os leitores geralmente obtêm o resultado armazenado em cache de uma fórmula, e não a expressão da fórmula. Recalcule e salve o workbook no Excel ou no LibreOffice antes da conversão se os resultados armazenados em cache puderem estar desatualizados.
• Datas: Datas seriais do Excel e strings de data específicas de uma localidade podem ser interpretadas incorretamente. Normalize as datas para um único formato ou declare um atributo de data ARFF com um padrão explícito, como date 'yyyy-MM-dd'.
• Valores nominais: Uma declaração nominal deve abranger todos os valores não ausentes dessa coluna. Use tipos nominais para categorias pequenas e fixas e string para texto livre ou colunas com alta cardinalidade.
• Células ausentes: Células vazias devem se tornar ?. Não as substitua por zero numérico, a menos que zero represente a medição real.
• Várias planilhas: ARFF descreve uma relação, portanto cada planilha normalmente exige um arquivo ARFF separado. Gráficos, formatação, células mescladas, filtros e metadados do workbook são descartados.
• Codificação: Grave e inspecione o resultado como UTF-8 quando os nomes ou valores contiverem caracteres acentuados, não latinos ou especiais.