Convertir ARFF a XLS

Microsoft Excel, un sistema de generación de informes heredado o el software de hojas de cálculo del destinatario pueden requerir un libro de trabajo .xls en lugar de un dataset ARFF. La conversión permite editar y compartir los datos, pero el esquema de ARFF y los metadatos de machine learning deben conservarse por separado.

Qué es el formato ARFF

ARFF (Attribute-Relation File Format) es un formato de dataset basado en texto asociado con la plataforma de machine learning Weka. Normalmente, un archivo contiene un nombre de relación, una declaración @attribute para cada campo, una sección @data y comentarios opcionales.

ARFF admite atributos numéricos, nominales, de tipo string, de fecha y relacionales. También admite filas dispersas, en las que solo se almacenan los valores que no son predeterminados. ARFF es común en proyectos de Weka, cursos universitarios, datasets académicos y flujos de trabajo de minería de datos.

Qué es el formato XLS

XLS es el formato de libro de trabajo binario de Microsoft Excel para Excel 97–2003. Almacena datos tabulares en hojas de cálculo y admite fórmulas, formato, filtros, gráficos y edición de hojas de cálculo.

XLS sigue siendo útil para aplicaciones heredadas o destinatarios que rechazan XLSX. Cada hoja de cálculo está limitada a 65,536 filas y 256 columnas, por lo que los datasets más grandes deben utilizar XLSX, CSV o una base de datos. XLS también tiene límites prácticos de tamaño de celda y compatibilidad que pueden truncar o alterar valores inusualmente largos.

Convertir con Weka y LibreOffice

1. Instala Weka desde su sitio web oficial y LibreOffice desde libreoffice.org.
2. Abre Weka y selecciona Explorer → Preprocess → Open file; después, selecciona el archivo .arff.
3. Comprueba los nombres de atributos mostrados, el número de instancias, el atributo de clase y el número de valores ausentes.
4. Utiliza el control Save del panel Preprocess y selecciona la salida CSV. Guarda el resultado como dataset.csv. Weka lee las declaraciones de ARFF y expande las instancias dispersas antes de escribir filas normales.
5. Abre dataset.csv en LibreOffice Calc. En el cuadro de diálogo de importación, selecciona el delimitador real, normalmente una coma, y habilita el manejo de campos entre comillas. Configura como texto las columnas que contengan identificadores, números largos o códigos cuando la detección automática del tipo pueda cambiar sus valores.
6. Comprueba las fechas, los valores ausentes, los delimitadores dentro de strings entre comillas, los caracteres Unicode y los nombres de campo de la primera fila. Selecciona File → Save As, elige Excel 97–2003 (*.xls) y acepta la advertencia sobre el formato heredado.

Este método en dos etapas es más seguro que cambiar el nombre de la extensión: Weka analiza la sintaxis de ARFF, mientras que Calc crea un libro de trabajo XLS real. No conserva los filtros de Weka, la configuración de selección de clase, los comentarios ni la declaración de relación original.

Utilizar un convertidor en línea

Se pueden considerar servicios como CloudConvert y Zamzar para archivos no confidenciales, pero la compatibilidad con ARFF y los formatos de salida disponibles pueden cambiar. Antes de cargar el archivo, confirma que el selector de formatos actual del servicio indique explícitamente ARFF como entrada y XLS como salida; no des por hecho que un servicio compatible con CSV o XLSX también admite ARFF.

Carga el archivo, elige XLS, ejecuta la conversión, descarga el libro de trabajo y ábrelo en LibreOffice o Excel para inspeccionar el número de filas, los encabezados, las fechas, los valores ausentes y los caracteres especiales. Comprueba primero la política de conservación y eliminación del proveedor; no cargues registros personales, confidenciales o regulados en un servicio de conversión genérico.

Automatizar la conversión con Python

Para trabajos repetibles, analiza ARFF con una library compatible con ARFF en lugar de tratarlo como un archivo CSV normal. El siguiente ejemplo utiliza liac-arff para leer el esquema y xlwt para escribir en el formato XLS heredado:

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")

Prueba primero el script con datos representativos. El comportamiento de la library puede variar con las fechas de ARFF, los valores ausentes, las etiquetas nominales, los strings entre comillas, las filas dispersas y los atributos relacionales. El script también hereda los límites de filas y columnas de XLS.

Comprobaciones de calidad y compatibilidad

• Las declaraciones de ARFF son metadatos de esquema, no formato de hoja de cálculo. Los nombres de campo y los valores suelen transferirse, pero los comentarios, los nombres de relación, los filtros de Weka, la configuración de clase y las definiciones de categorías no se convierten automáticamente en funciones de XLS.
• Los valores ausentes de ARFF suelen escribirse como ?. Un importador de CSV o un script puede producir en su lugar celdas vacías o valores null; elige y verifica la representación prevista antes del análisis.
• Los atributos nominales se convierten en valores de celda normales. Sus listas de valores permitidos y su orden no se conservan de forma fiable, a menos que los documentes o los recrees mediante validación de hoja de cálculo.
• Las filas dispersas se expanden a filas completas de la hoja de cálculo, lo que puede aumentar considerablemente el tamaño del archivo.
• Los atributos relacionales contienen datos anidados y no pueden representarse fielmente en una sola hoja de cálculo plana. Expórtalos por separado o conserva el ARFF original.
• Los strings que comienzan por =, +, - o @ pueden interpretarse como fórmulas u otras expresiones de hoja de cálculo. Importa los campos string no confiables como texto e inspecciona el libro de trabajo resultante.
• Conserva el archivo .arff original como dataset de referencia cuando sean importantes el esquema, los comentarios, las declaraciones nominales o la reproducibilidad de machine learning.