Konversi XLS menjadi ARFF

Weka umumnya menggunakan ARFF ketika data spreadsheet harus dimuat sebagai dataset machine learning dengan atribut dan nilai yang telah dideklarasikan. Konversi biasanya dilakukan dengan menyiapkan tabel Excel untuk Weka Explorer, Experimenter, KnowledgeFlow, atau kode berbasis Weka.

Isi XLS

XLS adalah format workbook biner Microsoft Excel 97–2003. Microsoft Excel, LibreOffice Calc, Apache OpenOffice Calc, dan sistem pelaporan bisnis dapat membuka atau membuatnya.

Workbook XLS dapat berisi beberapa worksheet, formula, chart, formatting, sel gabungan, catatan, baris tersembunyi, dan beberapa tabel yang tidak saling berkaitan. ARFF merepresentasikan satu tabel data, jadi pisahkan satu rentang berbentuk persegi panjang dengan satu baris header sebelum konversi.

Worksheet XLS lama dibatasi hingga 65,536 baris dan 256 kolom. .xlsx adalah format Excel berbasis XML yang berbeda; mengganti nama file .xlsx menjadi .xls tidak akan mengonversinya.

Isi ARFF

ARFF (Attribute-Relation File Format) adalah format dataset berbasis teks milik Weka. Header-nya mendefinisikan relation dan atribut, diikuti bagian @data yang berisi record.

ARFF dapat mendeklarasikan atribut numeric, nominal, string, date, dan relational. Dataset sederhana dapat berisi @relation customers, @attribute age numeric, @attribute churn {yes,no}, lalu @data dengan nilai yang dipisahkan koma.

Keunggulan utamanya dibandingkan spreadsheet adalah schema dataset disimpan bersama nilainya. File ini berupa plain text, dapat dikelola dengan version control dan diperiksa di text editor, serta tidak menyimpan fitur presentasi khusus workbook.

Konversi melalui CSV dan Weka

Workflow desktop yang paling dapat diandalkan adalah mengekspor worksheet yang diperlukan sebagai CSV lalu menyimpannya sebagai ARFF dari Weka 3.8. Cara ini menghindari perbedaan dukungan Excel/Spreadsheet loader pada instalasi Weka dan memberikan kendali atas jenis atribut yang diinferensikan.

1. Buka file XLS di Excel atau LibreOffice Calc. Pertahankan hanya satu tabel; hapus baris judul, total, baris pemisah kosong, komentar, dan header yang berulang. Berikan header yang unik untuk setiap kolom.
2. Hitung ulang formula dan simpan workbook. Ekspor CSV menulis nilai yang ditampilkan atau di-cache, bukan logika formula Excel.
3. Ekspor worksheet yang relevan menggunakan File → Save As atau File → Export dan pilih CSV UTF-8 jika tersedia. Excel hanya mengekspor worksheet yang aktif; ulangi proses untuk setiap sheet yang diperlukan.
4. Mulai Weka, buka Explorer → Preprocess, pilih Open file, lalu buka file CSV.
5. Periksa setiap atribut. Hapus kolom non-fitur dengan Filter → Choose → unsupervised → attribute → Remove. Gunakan StringToNominal untuk kategori terbatas dan NumericToNominal untuk kode atau identifier yang besar numeriknya tidak memiliki makna.
6. Tetapkan atribut target di selector Class Weka saat menyiapkan data supervised. ARFF tidak menyimpan penetapan class; Weka mungkin perlu melakukan pemilihan tersebut lagi setelah file dibuka ulang.
7. Pilih Save, gunakan nama file yang diakhiri dengan .arff, lalu buka ulang hasilnya untuk memeriksa nama relation, deklarasi atribut, dan jumlah instance.

Beberapa distribusi Weka menyediakan Excel atau Spreadsheet loader yang dapat membuka XLS secara langsung. Gunakan hanya setelah memastikan bahwa loader yang terinstal mendukung format sumber dan mengimpor worksheet yang dimaksud dengan benar; direct import dapat berbeda menurut versi Weka dan library opsional.

Untuk konversi satu kali yang tidak bersifat rahasia, Convertio dapat digunakan jika format selector saat ini menyediakan XLS ke ARFF. Periksa file yang diunduh di Weka sebelum menggunakannya, dan jangan mengunggah workbook pribadi, kesehatan, keuangan, atau milik perusahaan ke layanan pihak ketiga.

Pemeriksaan schema dan compatibility

ARFF tidak mempertahankan formula, chart, cell formatting, sel gabungan, komentar, pivot table, named range, macro, atau worksheet tambahan. ARFF hanya menyimpan nilai dan atribut yang dideklarasikan.

Pastikan setiap kolom memiliki jenis yang konsisten. Kolom yang sebagian besar numeric tetapi berisi label seperti N/A mungkin dimuat sebagai teks, sedangkan nomor pelanggan mungkin diperlakukan sebagai pengukuran numeric meskipun sebenarnya hanya merupakan identifier. Hapus identifier jika memungkinkan; jika tidak, jadikan sebagai atribut nominal atau string.

Gunakan ? untuk nilai ARFF yang hilang. Sel spreadsheet yang kosong, N/A, dan - perlu ditangani dengan sengaja karena dapat menjadi nilai kategori literal atau menyebabkan atribut diperlakukan sebagai teks.

Date memerlukan perhatian khusus. CSV tidak memiliki jenis date yang andal, jadi pastikan kolom tanggal memiliki deklarasi ARFF yang diinginkan, seperti @attribute order_date date "yyyy-MM-dd", bukan string atau angka sembarang. Nilai yang berisi koma, tanda kutip, spasi, kurung kurawal, atau tanda persen mungkin memerlukan quoting dan escaping ARFF; menyimpan dari Weka akan menangani syntax ini.