Convertir XLSX a ARFF

Weka y otras herramientas de machine-learning suelen utilizar ARFF, mientras que los datos de origen normalmente se entregan como un libro de Excel. La conversión es necesaria cuando la aplicación de destino no puede importar XLSX directamente o requiere tipos de atributos explícitos, marcadores de valores faltantes y metadatos del conjunto de datos.

Qué es el formato XLSX

XLSX es el formato de libro basado en XML utilizado por Microsoft Excel y compatible con LibreOffice Calc, Apple Numbers y Google Sheets mediante la exportación a Excel. Un libro puede contener varias hojas de cálculo, fórmulas, formato, celdas combinadas, gráficos, filas ocultas y valores tipados, pero el software de minería de datos normalmente lee un rango rectangular de una sola hoja de cálculo.

ARFF no tiene un equivalente directo para el diseño del libro, los gráficos, el formato, los comentarios, los filtros ni las celdas combinadas. La conversión extrae los valores de las celdas y crea un conjunto de datos tabular; no conserva el libro como una hoja de cálculo editable.

Qué es el formato ARFF

ARFF, o Attribute-Relation File Format, es el formato de conjunto de datos de texto plano de Weka. Un archivo típico contiene una declaración @relation, una declaración @attribute por cada columna y una sección @data que contiene los registros.

Los tipos de atributo comunes son numeric, string, date y los valores nominales declarados con una lista finita como {yes,no}. Un valor faltante se escribe como ?. Las declaraciones explícitas reducen la ambigüedad cuando Weka realiza clasificación, clustering, selección de características u otros análisis.

Convertir con Weka

Weka es la opción de escritorio más directa porque su ExcelLoader puede leer archivos XLSX y Explorer puede guardar el conjunto de datos cargado como ARFF.

1. Instala Weka desde la distribución oficial de Weka e inicia Explorer.
2. Selecciona Preprocess → Open file y elige el libro .xlsx.
3. Si el libro contiene varias hojas de cálculo, abre las opciones del loader y selecciona la hoja necesaria. ExcelLoader suele utilizar -S 2 para la segunda hoja; los nombres y la numeración de las opciones deben confirmarse con ExcelLoader -h para la versión instalada de Weka.
4. Comprueba los nombres de los atributos, los tipos y el número de instancias mostrados. Elimina las filas de título o cambia la configuración del loader si la primera fila no es un encabezado.
5. Selecciona el control Save de Explorer y guarda el conjunto de datos con la extensión .arff.

La compatibilidad de Weka con Excel depende de la versión de Weka y de sus bibliotecas de lectura de hojas de cálculo incluidas o instaladas. Si no se reconoce XLSX, actualiza Weka o utiliza el método de Python que aparece a continuación en lugar de cambiar el nombre del archivo.

Convertir con Python

Python es preferible para conversiones repetibles, selección de hojas de cálculo, limpieza de columnas y procesamiento por lotes. Instala pandas, el lector de XLSX y un escritor de ARFF:

pip install pandas openpyxl liac-arff

Este ejemplo trata las columnas numéricas como numéricas, convierte las demás columnas en texto, utiliza columnas con pocos valores fijos como atributos nominales y escribe las celdas faltantes como valores faltantes de 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:

Sustituye sheet_name=0 por el nombre de una hoja de cálculo o por un índice basado en cero. Revisa las declaraciones generadas, especialmente en las columnas que contienen tanto números como texto. Cambia el nombre de los encabezados duplicados o vacíos antes de escribir el archivo; los nombres de los atributos de ARFF deben ser utilizables y no ambiguos.

Usar un convertidor online como paso intermedio

La conversión web directa de XLSX a ARFF es poco común y normalmente ofrece poco control sobre la selección de hojas de cálculo o las declaraciones de tipos de ARFF. Un servicio de confianza como CloudConvert puede convertir XLSX a CSV; descarga el CSV, ábrelo en Weka con Preprocess → Open file, inspecciona los tipos inferidos y guárdalo como ARFF. La conversión a CSV pierde las características del libro y aún requiere comprobar los tipos, por lo que no debes cargar libros confidenciales a menos que las condiciones de gestión de datos del servicio sean aceptables.

Comprobaciones de calidad y compatibilidad

• Encabezados: Elimina las filas de título, las celdas de encabezado vacías y los nombres duplicados. La primera fila suele interpretarse como la fila de nombres de atributos.
• Fórmulas: Por lo general, los lectores obtienen el resultado almacenado en caché de una fórmula, en lugar de su expresión. Vuelve a calcular y guarda el libro en Excel o LibreOffice antes de la conversión si los resultados almacenados en caché pueden estar desactualizados.
• Fechas: Las fechas seriales de Excel y las cadenas de fecha específicas de una configuración regional pueden interpretarse incorrectamente. Normaliza las fechas a un único formato o declara un atributo de fecha de ARFF con un patrón explícito como date 'yyyy-MM-dd'.
• Valores nominales: Una declaración nominal debe incluir todos los valores no faltantes de esa columna. Utiliza tipos nominales para categorías pequeñas y fijas, y string para texto libre o columnas con gran cardinalidad.
• Celdas faltantes: Las celdas vacías deben convertirse en ?. No las sustituyas por cero numérico a menos que cero represente la medición real.
• Varias hojas de cálculo: ARFF describe una relación, por lo que normalmente cada hoja de cálculo requiere un archivo ARFF independiente. Los gráficos, el formato, las celdas combinadas, los filtros y los metadatos del libro se descartan.
• Codificación: Escribe e inspecciona el resultado como UTF-8 cuando los nombres o valores contengan caracteres acentuados, no latinos o especiales.