Convertisseur en ligne gratuit de XLSX en ARFF

Weka et certaines applications d’exploration de données nécessitent le format ARFF plutôt que des classeurs Excel ; les données d’un tableur doivent donc être converties avant de pouvoir être analysées. La conversion extrait une feuille de calcul dans un seul jeu de données typé ; elle ne conserve ni la mise en page du classeur ni ses fonctionnalités de modification.

Qu’est-ce que le format XLSX ?

XLSX est le format de classeur basé sur XML utilisé par Microsoft Excel et pris en charge par LibreOffice Calc, Apple Numbers et Google Sheets lors de l’exportation au format Excel. Il peut contenir plusieurs feuilles de calcul, des formules, des dates, une mise en forme, des cellules fusionnées, des graphiques, des filtres et des lignes masquées.

Les fichiers XLSX sont courants dans les rapports professionnels, les enquêtes, les dossiers de laboratoire, les exports de données et les jeux de données gérés manuellement. Les logiciels de machine learning nécessitent généralement une plage rectangulaire unique d’enregistrements. Sélectionnez donc une feuille de calcul et supprimez les titres, sous-totaux, notes et autres lignes qui ne correspondent pas à des enregistrements avant la conversion.

Qu’est-ce que le format ARFF ?

ARFF, ou Attribute-Relation File Format, est un format de jeu de données en texte brut associé à Weka. Son en-tête déclare la relation et chaque attribut, puis une section @data contenant les enregistrements.

@relation customers

@attribute age numeric
@attribute region {north,south,west}
@attribute churn {yes,no}

@data
42,north,no
35,south,yes

Les types d’attribut courants comprennent numeric, string, date et les listes nominales finies telles que {yes,no}. ARFF utilise ? pour les valeurs manquantes. Comme les noms, les types et les définitions des catégories sont stockés avec les données, Weka peut importer le jeu de données sans devoir déduire toutes les métadonnées à partir d’un tableur distinct. ARFF peut également être lu dans un éditeur de texte et convient au contrôle de version.

Convertir avec 101convert.com

1. Ouvrez le convertisseur XLSX-to-ARFF sur 101convert.com. Le fichier peut être converti gratuitement en ligne, sans installer de logiciel.
2. Importez le classeur .xlsx et sélectionnez la feuille de calcul contenant les enregistrements, si la sélection de feuille de calcul est disponible.
3. Lancez la conversion et téléchargez le fichier .arff obtenu.
4. Ouvrez le fichier dans Weka ou dans un éditeur de texte. Vérifiez le nom de la relation, les déclarations d’attributs, le nombre de lignes, les premiers enregistrements, les valeurs manquantes et les types déduits avant l’analyse.

Ne convertissez des classeurs confidentiels que si les conditions actuelles du service concernant la gestion des fichiers sont acceptables. Pour les données sensibles, utilisez plutôt un processus local.

Convertir localement avec LibreOffice et Weka

Un fichier CSV intermédiaire est utile lorsque la feuille de calcul doit être nettoyée visuellement avant la conversion.

1. Ouvrez le classeur dans LibreOffice Calc et sélectionnez la feuille de calcul requise.
2. Supprimez les lignes de titre, les cellules fusionnées, les notes explicatives, les sous-totaux, les colonnes vides en fin de tableau et les sections récapitulatives qui ne constituent pas des observations. Vérifiez que la première ligne contient des noms d’attributs uniques et que chaque ligne de données possède les mêmes colonnes.
3. Choisissez File → Save As, sélectionnez Text CSV (.csv) et configurez l’encodage UTF-8, la virgule comme délimiteur de champs et les guillemets doubles comme délimiteur de texte.
4. Ouvrez Weka Explorer et choisissez Preprocess → Open file. Sélectionnez le fichier CSV et examinez les attributs ainsi que le nombre d’instances.
5. Corrigez les types déduits incorrectement ou supprimez les colonnes inappropriées à l’aide des commandes de prétraitement de Weka.
6. Utilisez la commande Save d’Explorer et enregistrez le jeu de données sous le nom dataset.arff.

Certaines versions ou installations de Weka fournissent un chargeur Excel capable d’ouvrir directement les fichiers XLSX. Si Preprocess → Open file ne reconnaît pas le classeur, utilisez la méthode CSV ou installez le chargeur Weka requis ainsi que les dépendances de tableur. Renommer .xlsx en .arff ne convertit pas le fichier.

Convertir par programmation avec Python

Python convient aux conversions répétables, à la sélection de feuilles de calcul, au renommage de colonnes et au traitement par lots. Installez un lecteur XLSX et un générateur ARFF :

pip install pandas openpyxl liac-arff

import pandas as pd
import arff

df = pd.read_excel("input.xlsx", sheet_name="Data")
df.columns = [str(c).strip() for c in df.columns]

data = df.where(pd.notna(df), None)
attributes = []
for column in data.columns:
    values = data[column]
    if pd.api.types.is_numeric_dtype(values):
        kind = "numeric"
    else:
        data[column] = values.map(lambda value: None if value is None else str(value))
        distinct = sorted({value for value in data[column] if value is not None})
        kind = distinct if 0 < len(distinct) <= 50 else "string"
    attributes.append((str(column), kind))

with open("output.arff", "w", encoding="utf-8", newline="") as file:
    arff.dump({
        "relation": "dataset",
        "attributes": attributes,
        "data": data.values.tolist()
    }, file)

Remplacez sheet_name="Data" par le nom d’une feuille de calcul ou par un index commençant à zéro, tel que sheet_name=0. L’exemple traite les petites colonnes de texte finies comme nominales et les colonnes plus volumineuses ou en texte libre comme des chaînes ; modifiez le seuil et les classifications en fonction du jeu de données. Examinez le fichier ARFF généré, car la déduction automatique des types ne permet pas de déterminer si un identifiant constitue une caractéristique utile, si un code ressemblant à un nombre doit rester du texte ou si une liste de catégories est complète.

Contrôles de qualité et de compatibilité

• Formules : ARFF stocke les valeurs, pas les formules Excel. Recalculez le classeur et enregistrez-le avant la conversion si les résultats mis en cache des formules risquent d’être obsolètes.
• Feuilles de calcul : ARFF représente une seule relation. Convertissez chaque feuille de calcul compatible dans un fichier distinct ; ne combinez pas des feuilles comportant des colonnes différentes sans définir délibérément un schéma.
• En-têtes : Supprimez les en-têtes vides ou en double et normalisez les espaces superflus. Les noms d’attribut contenant des signes de ponctuation, des espaces, des virgules, des guillemets ou des sauts de ligne peuvent nécessiter une mise entre guillemets ou un échappement.
• Données numériques : Les symboles monétaires, séparateurs de milliers, unités mixtes et textes tels que unknown peuvent faire interpréter une colonne comme du texte. Normalisez ces valeurs avant la conversion.
• Valeurs manquantes : Les cellules vides doivent devenir ?, et non une chaîne vide ou zéro, sauf si ces valeurs ont la signification souhaitée.
• Attributs nominaux : Chaque valeur non manquante doit apparaître dans la déclaration finie. Les différences d’orthographe, de casse ou d’espaces finaux créent des catégories distinctes.
• Dates : Les dates série Excel et les chaînes dépendantes des paramètres régionaux peuvent être mal interprétées. Normalisez-les et déclarez un modèle de date ARFF, par exemple @attribute created date 'yyyy-MM-dd'.
• Identifiants : Les identifiants d’enregistrement sont souvent déduits comme des attributs numériques ou nominaux, mais ils doivent généralement être exclus des modèles prédictifs, car ils ne décrivent pas l’entité mesurée.
• Contenu supprimé : Les graphiques, la mise en forme, les commentaires, la disposition des cellules fusionnées, les filtres, les métadonnées du classeur et les expressions de formule ne sont pas représentés dans ARFF. Conservez le fichier XLSX original si ces fonctionnalités restent nécessaires.
• Encodage : Utilisez UTF-8 et vérifiez les noms et valeurs non ASCII dans Weka, en particulier lorsque les données contiennent des caractères accentués ou non latins.