Convertir XLS en ARFF

Weka utilise couramment ARFF lorsque des données de feuille de calcul doivent être chargées comme jeu de données de machine learning avec des attributs et des valeurs déclarés. La conversion est généralement déclenchée lors de la préparation d’un tableau Excel pour Weka Explorer, Experimenter, KnowledgeFlow ou du code basé sur Weka.

Contenu de XLS

XLS est le format binaire de classeur Microsoft Excel 97–2003. Microsoft Excel, LibreOffice Calc, Apache OpenOffice Calc et les systèmes de reporting d’entreprise peuvent l’ouvrir ou le créer.

Un classeur XLS peut contenir plusieurs feuilles de calcul, des formules, des graphiques, une mise en forme, des cellules fusionnées, des notes, des lignes masquées et plusieurs tableaux sans rapport entre eux. ARFF représente un seul tableau de données ; il faut donc isoler une plage rectangulaire avec une seule ligne d’en-têtes avant la conversion.

Les feuilles XLS héritées sont limitées à 65 536 lignes et 256 colonnes. .xlsx est un autre format Excel basé sur XML ; modifier le nom de fichier .xlsx en .xls ne le convertit pas.

Contenu de ARFF

ARFF (Attribute-Relation File Format) est le format de jeu de données textuel de Weka. Son en-tête définit une relation et des attributs, suivis d’une section @data contenant les enregistrements.

ARFF peut déclarer des attributs numériques, nominaux, chaîne, date et relationnels. Un jeu de données simple peut contenir @relation customers, @attribute age numeric, @attribute churn {yes,no}, puis @data avec des valeurs séparées par des virgules.

Son principal avantage par rapport à une feuille de calcul est que le schéma du jeu de données est stocké avec les valeurs. Le fichier est en texte brut, peut être géré avec un système de contrôle de version et inspecté dans un éditeur de texte, et ne conserve pas les fonctionnalités de présentation propres aux classeurs.

Convertir via CSV et Weka

La procédure de bureau la plus fiable consiste à exporter la feuille de calcul requise au format CSV, puis à l’enregistrer au format ARFF depuis Weka 3.8. Cela évite les différences entre la prise en charge des chargeurs Excel/Spreadsheet des installations de Weka et permet de contrôler les types d’attributs déduits.

1. Ouvrez le fichier XLS dans Excel ou LibreOffice Calc. Ne conservez qu’un seul tableau ; supprimez les lignes de titre, les totaux, les lignes vides de séparation, les commentaires et les en-têtes répétés. Donnez un en-tête unique à chaque colonne.
2. Recalculez les formules et enregistrez le classeur. L’exportation CSV écrit les valeurs affichées ou mises en cache, et non la logique des formules Excel.
3. Exportez la feuille de calcul concernée à l’aide de File → Save As ou File → Export, puis sélectionnez CSV UTF-8 lorsque cette option est disponible. Excel exporte uniquement la feuille active ; répétez le processus pour chaque feuille requise.
4. Démarrez Weka, ouvrez Explorer → Preprocess, sélectionnez Open file, puis ouvrez le fichier CSV.
5. Inspectez chaque attribut. Supprimez les colonnes qui ne sont pas des caractéristiques avec Filter → Choose → unsupervised → attribute → Remove. Utilisez StringToNominal pour les catégories finies et NumericToNominal pour les codes ou identifiants dont la grandeur numérique n’a aucune signification.
6. Définissez l’attribut cible dans le sélecteur Class de Weka lors de la préparation de données supervisées. ARFF ne stocke pas de désignation de classe ; Weka peut avoir besoin de cette sélection à nouveau après la réouverture du fichier.
7. Sélectionnez Save, utilisez un nom de fichier se terminant par .arff, puis rouvrez le résultat afin de vérifier le nom de la relation, les déclarations d’attributs et le nombre d’instances.

Certaines distributions de Weka fournissent un chargeur Excel ou Spreadsheet capable d’ouvrir directement les fichiers XLS. Utilisez-le uniquement après avoir vérifié que le chargeur installé prend en charge le format source et importe correctement la feuille de calcul souhaitée ; l’importation directe peut varier selon la version de Weka et les bibliothèques facultatives.

Pour une conversion ponctuelle ne contenant pas d’informations confidentielles, Convertio peut être utilisé si son sélecteur de formats actuel propose la conversion de XLS vers ARFF. Inspectez le fichier téléchargé dans Weka avant de l’utiliser et ne téléversez pas de classeurs personnels, médicaux, financiers ou propriétaires vers des services tiers.

Vérifications du schéma et de la compatibilité

ARFF ne conserve pas les formules, les graphiques, la mise en forme des cellules, les cellules fusionnées, les commentaires, les tableaux croisés dynamiques, les plages nommées, les macros ni les feuilles de calcul supplémentaires. Il stocke uniquement les valeurs et les attributs déclarés.

Conservez un type cohérent pour chaque colonne. Une colonne principalement numérique contenant des libellés tels que N/A peut être chargée comme texte, tandis qu’un numéro de client peut être traité comme une mesure numérique alors qu’il ne s’agit que d’un identifiant. Supprimez les identifiants lorsque cela est possible ; sinon, définissez-les comme attributs nominaux ou chaîne.

Utilisez ? pour les valeurs ARFF manquantes. Les cellules vides d’une feuille de calcul, N/A et - nécessitent un traitement délibéré, car elles peuvent devenir des valeurs littérales de catégorie ou imposer un attribut texte.

Les dates nécessitent une attention particulière. CSV ne possède pas de type date fiable ; vérifiez donc que les colonnes de dates ont la déclaration ARFF souhaitée, telle que @attribute order_date date "yyyy-MM-dd", plutôt qu’une chaîne ou un nombre arbitraire. Les valeurs contenant des virgules, des guillemets, des espaces, des accolades ou des signes de pourcentage peuvent nécessiter des guillemets et des caractères d’échappement ARFF ; l’enregistrement depuis Weka gère cette syntaxe.