Convertir XLS a ARFF

Weka utiliza habitualmente ARFF cuando los datos de una hoja de cálculo deben cargarse como un conjunto de datos de machine learning con atributos y valores declarados. La conversión suele realizarse al preparar una tabla de Excel para Weka Explorer, Experimenter, KnowledgeFlow o código basado en Weka.

Qué contiene XLS

XLS es el formato binario de libros de Microsoft Excel 97–2003. Microsoft Excel, LibreOffice Calc, Apache OpenOffice Calc y los sistemas de informes empresariales pueden abrirlo o crearlo.

Un libro XLS puede contener varias hojas de cálculo, fórmulas, gráficos, formato, celdas combinadas, notas, filas ocultas y varias tablas no relacionadas. ARFF representa una tabla de datos, por lo que debe aislar un rango rectangular con una sola fila de encabezado antes de la conversión.

Las hojas de cálculo XLS heredadas están limitadas a 65,536 filas y 256 columnas. .xlsx es un formato de Excel diferente basado en XML; cambiar el nombre de archivo de .xlsx a .xls no lo convierte.

Qué contiene ARFF

ARFF (Attribute-Relation File Format) es el formato de conjunto de datos de texto de Weka. Su encabezado define una relación y los atributos, seguidos de una sección @data que contiene los registros.

ARFF puede declarar atributos numéricos, nominales, de cadena, de fecha y relacionales. Un conjunto de datos sencillo podría contener @relation customers, @attribute age numeric, @attribute churn {yes,no} y, a continuación, @data con valores separados por comas.

Su principal ventaja frente a una hoja de cálculo es que el esquema del conjunto de datos se almacena junto con los valores. El archivo es texto sin formato, puede controlarse mediante versiones e inspeccionarse en un editor de texto, y no conserva las características de presentación específicas del libro.

Convertir mediante CSV y Weka

El flujo de trabajo de escritorio más fiable consiste en exportar la hoja de cálculo necesaria como CSV y guardarla como ARFF desde Weka 3.8. Esto evita diferencias entre la compatibilidad de las instalaciones de Weka con los cargadores de Excel/Spreadsheet y permite controlar los tipos de atributos inferidos.

1. Abra el archivo XLS en Excel o LibreOffice Calc. Mantenga una sola tabla; elimine las filas de título, los totales, las filas separadoras vacías, los comentarios y los encabezados repetidos. Asigne a cada columna un encabezado único.
2. Vuelva a calcular las fórmulas y guarde el libro. La exportación a CSV escribe los valores mostrados o almacenados en caché, no la lógica de las fórmulas de Excel.
3. Exporte la hoja de cálculo correspondiente mediante File → Save As o File → Export y seleccione CSV UTF-8 cuando esté disponible. Excel exporta únicamente la hoja activa; repita el proceso para cada hoja necesaria.
4. Inicie Weka, abra Explorer → Preprocess, seleccione Open file y abra el archivo CSV.
5. Inspeccione cada atributo. Elimine las columnas que no sean características mediante Filter → Choose → unsupervised → attribute → Remove. Use StringToNominal para categorías finitas y NumericToNominal para códigos o identificadores cuya magnitud numérica no tenga significado.
6. Establezca el atributo objetivo en el selector Class de Weka al preparar datos supervisados. ARFF no almacena una designación de clase; es posible que Weka necesite que vuelva a seleccionarla después de volver a abrir el archivo.
7. Seleccione Save, use un nombre de archivo que termine en .arff y vuelva a abrir el resultado para comprobar el nombre de la relación, las declaraciones de atributos y el número de instancias.

Algunas distribuciones de Weka proporcionan un cargador de Excel o Spreadsheet que puede abrir XLS directamente. Úselo únicamente después de confirmar que el cargador instalado admite el formato de origen e importa correctamente la hoja de cálculo prevista; la importación directa puede variar según la versión de Weka y las bibliotecas opcionales.

Para una conversión puntual de datos no confidenciales, puede utilizarse Convertio si su selector de formatos actual ofrece XLS a ARFF. Inspeccione el archivo descargado en Weka antes de utilizarlo y no cargue libros con información personal, sanitaria, financiera o propiedad de una empresa en servicios de terceros.

Comprobaciones de esquema y compatibilidad

ARFF no conserva fórmulas, gráficos, formato de celdas, celdas combinadas, comentarios, tablas dinámicas, rangos con nombre, macros ni hojas de cálculo adicionales. Solo almacena valores y atributos declarados.

Mantenga coherente el tipo de cada columna. Una columna principalmente numérica que contenga etiquetas como N/A puede cargarse como texto, mientras que un número de cliente puede tratarse como una medición numérica aunque solo sea un identificador. Elimine los identificadores cuando sea posible; de lo contrario, conviértalos en atributos nominales o de cadena.

Use ? para los valores ARFF ausentes. Las celdas vacías de una hoja de cálculo, N/A y - requieren un tratamiento deliberado, ya que pueden convertirse en valores literales de categoría o forzar un atributo de texto.

Las fechas requieren especial atención. CSV no tiene un tipo de fecha fiable, por lo que debe verificar que las columnas de fecha tengan la declaración ARFF prevista, como @attribute order_date date "yyyy-MM-dd", en lugar de una cadena o un número arbitrario. Los valores que contengan comas, comillas, espacios, llaves o signos de porcentaje pueden requerir comillas y caracteres de escape en ARFF; al guardar desde Weka, esta sintaxis se gestiona automáticamente.