Konversi XLSX menjadi ARFF

Weka dan alat machine-learning lainnya umumnya menggunakan ARFF, sementara data sumber sering disediakan sebagai workbook Excel. Konversi diperlukan ketika aplikasi target tidak dapat mengimpor XLSX secara langsung atau memerlukan tipe atribut, penanda nilai yang hilang, dan metadata dataset yang dinyatakan secara eksplisit.

Apa itu format XLSX

XLSX adalah format workbook berbasis XML yang digunakan oleh Microsoft Excel dan didukung oleh LibreOffice Calc, Apple Numbers, serta Google Sheets melalui ekspor Excel. Sebuah workbook dapat berisi beberapa worksheet, formula, formatting, sel yang digabungkan, chart, baris tersembunyi, dan nilai bertipe, tetapi software data-mining biasanya hanya membaca satu rentang worksheet berbentuk persegi panjang.

ARFF tidak memiliki padanan langsung untuk tata letak workbook, chart, formatting, komentar, filter, atau sel yang digabungkan. Konversi mengekstrak nilai sel dan membuat dataset tabular; konversi tidak mempertahankan workbook sebagai spreadsheet yang dapat diedit.

Apa itu format ARFF

ARFF, atau Attribute-Relation File Format, adalah format dataset plain-text milik Weka. File biasanya berisi deklarasi @relation, satu deklarasi @attribute untuk setiap kolom, dan bagian @data yang berisi record.

Tipe atribut yang umum adalah numeric, string, date, dan nilai nominal yang dideklarasikan dengan daftar terbatas seperti {yes,no}. Nilai yang hilang ditulis sebagai ?. Deklarasi eksplisit mengurangi ambiguitas ketika Weka melakukan classification, clustering, feature selection, atau analisis lainnya.

Konversi dengan Weka

Weka adalah opsi desktop yang paling langsung karena ExcelLoader dapat membaca file XLSX dan Explorer dapat menyimpan dataset yang telah dimuat sebagai ARFF.

1. Instal Weka dari distribusi resmi Weka dan jalankan Explorer.
2. Pilih Preprocess → Open file dan pilih workbook .xlsx.
3. Jika workbook berisi beberapa worksheet, buka opsi loader dan pilih sheet yang diperlukan. ExcelLoader biasanya menggunakan -S 2 untuk sheet kedua; nama opsi dan penomorannya harus dikonfirmasi dengan ExcelLoader -h untuk versi Weka yang terinstal.
4. Periksa nama atribut, tipe, dan jumlah instance yang ditampilkan. Hapus baris judul atau ubah pengaturan loader jika baris pertama bukan header.
5. Pilih kontrol Save milik Explorer dan simpan dataset dengan ekstensi .arff.

Dukungan Excel Weka bergantung pada rilis Weka serta library pembaca spreadsheet yang disertakan atau terinstal. Jika XLSX tidak dikenali, perbarui Weka atau gunakan metode Python di bawah ini, bukan dengan mengganti nama file.

Konversi dengan Python

Python lebih sesuai untuk konversi yang dapat diulang, pemilihan worksheet, pembersihan kolom, dan pemrosesan batch. Instal pandas, XLSX reader, dan ARFF writer:

pip install pandas openpyxl liac-arff

Contoh ini memperlakukan kolom numerik sebagai numeric, mengonversi kolom lainnya menjadi teks, menggunakan kolom dengan sedikit nilai tetap sebagai atribut nominal, dan menulis sel yang kosong sebagai nilai ARFF yang hilang:

import pandas as pd
import arff

df = pd.read_excel('input.xlsx', sheet_name=0)with open('output.arff', 'w', encoding='utf-8') as file:

Ganti sheet_name=0 dengan nama worksheet atau indeks berbasis nol. Tinjau deklarasi yang dihasilkan, terutama untuk kolom yang berisi angka dan teks sekaligus. Ganti nama header yang duplikat atau kosong sebelum menulis file; nama atribut ARFF harus dapat digunakan dan tidak ambigu.

Gunakan online converter sebagai langkah perantara

Konversi web XLSX-ke-ARFF secara langsung jarang tersedia dan biasanya memberikan sedikit kendali atas pemilihan worksheet atau deklarasi tipe ARFF. Layanan bereputasi seperti CloudConvert dapat mengonversi XLSX menjadi CSV; unduh CSV tersebut, buka di Weka dengan Preprocess → Open file, periksa tipe yang disimpulkan, lalu simpan sebagai ARFF. Konversi CSV menghilangkan fitur workbook dan tetap memerlukan pemeriksaan tipe, jadi jangan mengunggah workbook rahasia kecuali ketentuan penanganan data layanan tersebut dapat diterima.

Pemeriksaan kualitas dan kompatibilitas

• Header: Hapus baris judul, sel header kosong, dan nama duplikat. Baris pertama biasanya ditafsirkan sebagai baris nama atribut.
• Formula: Reader umumnya memperoleh hasil cache formula, bukan ekspresi formulanya. Hitung ulang dan simpan workbook di Excel atau LibreOffice sebelum konversi jika hasil cache mungkin sudah tidak terbaru.
• Tanggal: Tanggal serial Excel dan string tanggal yang spesifik terhadap locale dapat disalahartikan. Normalisasi tanggal ke satu format, atau deklarasikan atribut tanggal ARFF dengan pola eksplisit seperti date 'yyyy-MM-dd'.
• Nilai nominal: Deklarasi nominal harus mencakup setiap nilai yang tidak hilang dalam kolom tersebut. Gunakan tipe nominal untuk kategori kecil dan tetap, serta string untuk teks bebas atau kolom dengan cardinality tinggi.
• Sel yang hilang: Sel kosong harus menjadi ?. Jangan menggantinya dengan nol numerik kecuali nol memang mewakili pengukuran sebenarnya.
• Beberapa worksheet: ARFF menjelaskan satu relation, sehingga setiap worksheet biasanya memerlukan file ARFF terpisah. Chart, formatting, sel yang digabungkan, filter, dan metadata workbook akan dihapus.
• Encoding: Tulis dan periksa hasil sebagai UTF-8 ketika nama atau nilai berisi karakter beraksen, non-Latin, atau karakter khusus.