Convertir ARFF en XLS

Microsoft Excel, un ancien système de reporting ou le logiciel de feuille de calcul du destinataire peut nécessiter un classeur .xls au lieu d’un jeu de données ARFF. La conversion permet de modifier et de partager les données dans une feuille de calcul, mais le schéma ARFF et les métadonnées de machine learning doivent être conservés séparément.

Qu’est-ce que le format ARFF ?

ARFF (Attribute-Relation File Format) est un format de jeu de données textuel associé à la plate-forme de machine learning Weka. Un fichier contient normalement un nom de relation, une déclaration @attribute pour chaque champ, une section @data et des commentaires facultatifs.

ARFF prend en charge les attributs numériques, nominaux, de type chaîne, de date et relationnels. Il prend également en charge les lignes creuses, dans lesquelles seules les valeurs non définies par défaut sont stockées. ARFF est courant dans les projets Weka, les cours universitaires, les jeux de données universitaires et les workflows de data mining.

Qu’est-ce que le format XLS ?

XLS est le format binaire de classeur de Microsoft Excel pour Excel 97–2003. Il stocke les données tabulaires dans des feuilles de calcul et prend en charge les formules, la mise en forme, les filtres, les graphiques et la modification des feuilles de calcul.

XLS reste utile pour les applications anciennes ou les destinataires qui refusent XLSX. Chaque feuille de calcul est limitée à 65 536 lignes et 256 colonnes ; les jeux de données plus volumineux doivent donc utiliser XLSX, CSV ou une base de données. XLS présente également des limites pratiques concernant la taille des cellules et la compatibilité, qui peuvent tronquer ou modifier les valeurs exceptionnellement longues.

Convertir avec Weka et LibreOffice

1. Installez Weka depuis son site officiel et LibreOffice depuis libreoffice.org.
2. Ouvrez Weka et choisissez Explorer → Preprocess → Open file, puis sélectionnez le fichier .arff.
3. Vérifiez les noms d’attributs affichés, le nombre d’instances, l’attribut de classe et le nombre de valeurs manquantes.
4. Utilisez le contrôle Save du panneau Preprocess et sélectionnez la sortie CSV. Enregistrez le résultat sous le nom dataset.csv. Weka lit les déclarations ARFF et développe les instances creuses avant d’écrire des lignes ordinaires.
5. Ouvrez dataset.csv dans LibreOffice Calc. Dans la boîte de dialogue d’importation, choisissez le délimiteur réel, généralement une virgule, et activez la gestion des champs entre guillemets. Définissez comme texte les colonnes contenant des identifiants, des nombres longs ou des codes lorsque la détection automatique du type risque de modifier leurs valeurs.
6. Vérifiez les dates, les valeurs manquantes, les délimiteurs présents dans les chaînes entre guillemets, les caractères Unicode et les noms de champs de la première ligne. Choisissez File → Save As, sélectionnez Excel 97–2003 (*.xls) et acceptez l’avertissement concernant le format ancien.

Cette méthode en deux étapes est plus sûre que le simple changement d’extension : Weka analyse la syntaxe ARFF, tandis que Calc crée un véritable classeur XLS. Elle ne conserve pas les filtres Weka, les paramètres de sélection de classe, les commentaires ni la déclaration de relation d’origine.

Utiliser un convertisseur en ligne

Des services tels que CloudConvert et Zamzar peuvent être envisagés pour les fichiers non confidentiels, mais la prise en charge d’ARFF et les formats de sortie disponibles peuvent changer. Avant l’envoi, vérifiez que le sélecteur de formats actuel du service répertorie explicitement ARFF comme entrée et XLS comme sortie ; ne supposez pas qu’un service prenant en charge CSV ou XLSX prend également en charge ARFF.

Téléversez le fichier, choisissez XLS, lancez la conversion, téléchargez le classeur et ouvrez-le dans LibreOffice ou Excel afin de vérifier le nombre de lignes, les en-têtes, les dates, les valeurs manquantes et les caractères spéciaux. Consultez d’abord la politique de conservation et de suppression du fournisseur ; n’envoyez pas de données personnelles, confidentielles ou réglementées à un service de conversion générique.

Automatiser la conversion avec Python

Pour les tâches répétitives, analysez ARFF avec une bibliothèque prenant en charge ARFF au lieu de le traiter comme un fichier CSV ordinaire. L’exemple suivant utilise liac-arff pour lire le schéma et xlwt pour écrire au format XLS ancien :

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")

Testez d’abord le script sur un échantillon représentatif des données. Le comportement des bibliothèques peut varier pour les dates ARFF, les valeurs manquantes, les libellés nominaux, les chaînes entre guillemets, les lignes creuses et les attributs relationnels. Le script est également soumis aux limites de XLS concernant les lignes et les colonnes.

Contrôles de qualité et de compatibilité

• Les déclarations ARFF sont des métadonnées de schéma, et non de la mise en forme de feuille de calcul. Les noms de champs et les valeurs sont généralement transférés, mais les commentaires, les noms de relations, les filtres Weka, les paramètres de classe et les définitions de catégories ne deviennent pas automatiquement des fonctionnalités XLS.
• Les valeurs manquantes ARFF sont généralement écrites sous la forme ?. Un importateur CSV ou un script peut à la place produire des cellules vides ou des valeurs nulles ; choisissez et vérifiez la représentation souhaitée avant l’analyse.
• Les attributs nominaux deviennent de simples valeurs de cellules. Leurs listes de valeurs autorisées et leur ordre ne sont pas conservés de manière fiable, sauf si vous les documentez ou les recréez avec la validation de la feuille de calcul.
• Les lignes creuses sont développées en lignes complètes de feuille de calcul, ce qui peut augmenter considérablement la taille du fichier.
• Les attributs relationnels contiennent des données imbriquées et ne peuvent pas être représentés fidèlement dans une seule feuille de calcul plate. Exportez-les séparément ou conservez le fichier ARFF d’origine.
• Les chaînes commençant par =, +, - ou @ peuvent être interprétées comme des formules ou d’autres expressions de feuille de calcul. Importez les champs de type chaîne non fiables en tant que texte et inspectez le classeur obtenu.
• Conservez le fichier .arff d’origine comme jeu de données de référence lorsque le schéma, les commentaires, les déclarations nominales ou la reproductibilité du machine learning sont importants.