Convertir ARFF en CSV

Les équipes convertissent les jeux de données Weka lorsque Excel, un importateur de base de données ou un collaborateur attend un tableau CSV plat plutôt que des déclarations ARFF. Le format CSV est plus facile à inspecter et à échanger, mais la conversion supprime les informations de schéma stockées dans l’en-tête ARFF.

Formats ARFF et CSV

ARFF (Attribute-Relation File Format) est un format de jeu de données en texte brut utilisé principalement par le logiciel d’apprentissage automatique Weka. Un fichier ARFF contient un en-tête avec un nom de relation et des déclarations @ATTRIBUTE, suivi d’une section @DATA contenant les enregistrements.

Les attributs peuvent être numériques, nominaux, de type chaîne, de type date et, dans Weka, relationnels. Une déclaration nominale telle que @ATTRIBUTE class {yes,no} définit à la fois le type du champ et ses valeurs autorisées. ARFF peut également stocker des lignes clairsemées telles que {0 1,3 blue}, où les valeurs omises utilisent la valeur par défaut du format.

CSV stocke un tableau plat sous forme de lignes séparées par un délimiteur, normalement avec les noms de colonnes sur la première ligne. Les applications de feuille de calcul, pandas, R, les outils d’importation de bases de données et de nombreux portails de données acceptent directement le format CSV. Le format CSV ne possède pas de déclarations de type standard, de listes de valeurs nominales, de nom de relation, de commentaires ni de notation pour les lignes clairsemées.

Convertir avec Weka

Weka est le convertisseur de bureau le plus fiable, car il lit les en-têtes ARFF, les valeurs entre guillemets, les valeurs manquantes, les attributs nominaux et les instances clairsemées.

1. Ouvrez Weka et démarrez Explorer.
2. Dans l’onglet Preprocess, sélectionnez Open file... et choisissez le fichier .arff.
3. Vérifiez la liste des attributs et le nombre d’instances pour confirmer que Weka a chargé le jeu de données attendu.
4. Sélectionnez Save..., choisissez CSV data files (*.csv), saisissez un nom de sortie tel que dataset.csv, puis enregistrez.
5. Ouvrez le résultat dans un éditeur de texte ou dans le programme de destination prévu, puis vérifiez la ligne d’en-tête, le délimiteur, l’encodage des caractères et la représentation des valeurs manquantes.

Pour effectuer des conversions reproductibles, exécutez l’enregistreur CSV de Weka depuis un terminal. Remplacez /path/to/weka.jar par le chemin du fichier JAR Weka installé :

java -cp /path/to/weka.jar weka.core.converters.CSVSaver -i input.arff -o output.csv

Sous Windows, mettez entre guillemets les chemins contenant des espaces, par exemple "C:\Program Files\Weka-3-8\weka.jar". Utilisez le lanceur fourni avec l’installation de Weka ou sa configuration du classpath si sa version nécessite des bibliothèques supplémentaires.

Convertir avec Python ou un service en ligne

pandas ne lit pas nativement les fichiers ARFF : il nécessite un analyseur ARFF. Pour les fichiers ARFF denses ordinaires, installez liac-arff et pandas :

pip install liac-arff pandas

import arff
import pandas as pd

with open("input.arff", encoding="utf-8") as source:
    dataset = arff.load(source)

columns = [name for name, _ in dataset["attributes"]]
pd.DataFrame(dataset["data"], columns=columns).to_csv("output.csv", index=False)

Testez les fichiers ARFF clairsemés avant d’utiliser un analyseur Python en production ; Weka est le choix le plus sûr lorsque des instances clairsemées, des guillemets inhabituels ou des définitions d’attributs propres à Weka sont impliqués.

Pour un petit fichier non confidentiel, des services accessibles depuis un navigateur tels que Zamzar et Convertio peuvent proposer une conversion d’ARFF vers CSV. Confirmez la prise en charge actuelle d’ARFF et les conditions de conservation avant d’effectuer un téléversement. Ne téléversez pas de jeux de données clients, médicaux, financiers, de recherche ou propriétaires vers un service de conversion externe.

Vérifications de compatibilité

Conservez le fichier ARFF d’origine. Le format CSV conserve les valeurs, mais perd les types déclarés, les noms de relation, les commentaires d’attributs, les restrictions de valeurs nominales et les autres métadonnées de l’en-tête. Conservez l’en-tête ARFF ou documentez séparément le schéma lorsque les destinataires doivent distinguer les nombres, les dates, les catégories et le texte libre.

Les valeurs manquantes ARFF sont généralement écrites sous la forme ?. Selon le convertisseur, la sortie CSV peut contenir un champ vide, ? ou un autre marqueur. Vérifiez ce point avant d’importer le fichier dans un logiciel qui traite différemment les champs vides, NA et les points d’interrogation.

Les champs CSV contenant des virgules, des guillemets ou des sauts de ligne doivent être placés entre guillemets conformément aux règles CSV. Ne convertissez pas ARFF en remplaçant les virgules ou en séparant les lignes avec des commandes textuelles élémentaires ; ces méthodes altèrent les valeurs entre guillemets et ne peuvent pas développer les lignes clairsemées.

Certaines installations de feuilles de calcul attendent un point-virgule plutôt qu’une virgule en raison des paramètres régionaux. Si les colonnes apparaissent dans une seule cellule après l’ouverture du fichier, utilisez la boîte de dialogue d’importation de texte de la feuille de calcul et sélectionnez explicitement le délimiteur au lieu de modifier manuellement le fichier CSV.