Weka--ARFF數據格式介紹和轉換

簡介

Weka 是一個由Java編寫的開源免費的數據挖掘工具，全稱懷卡托智能分析環境（Waikato Environment for Knowledge Analysis），它是基於JAVA環境下開源的機器學習（machine learning）以及數據挖掘（data mining）的軟件，運行該工具需要安裝Java環境。

Weka同時提供了命令行和GUI兩種使用方式方式，前者效率更高，后者使用更簡單。

軟件安裝

1. 下載並安裝Java環境

參見教程：http://www.runoob.com/java/java-environment-setup.html

2.安裝Weka

Windows上下載.exe安裝后直接雙擊運行安裝

官方網址：https://www.cs.waikato.ac.nz/ml/weka/

數據集介紹

在Weka中，一個數據集由 weka.core.Instances 實現。數據集中每個樣例是由weka.core.Instance實現。每個樣例由多個屬性組成，其中簡單的屬性類型見表1。

表1：Weka數據集的簡單屬性

屬性類型	描述	樣例
列表型(nominal)	一組值得預定義列表	{1,2,3}, {good, bad}
數值型(numeric)	一個實數或者整數	12, 2.3, 50
字符串(string)	一個任意長的字符序列，包含在雙引號內	"better", "worse"

除了簡單屬性，Weka還有附加類型的屬性date和relational，將會在之后介紹。

Weka的數據集存儲在ARFF格式的文件中，下面是一個ARFF文件的格式說明：

% This is a toy example, the UCI weather dataset.
% Any relation to real weather is purely coincidental.

@relation golfWeatherMichigan_1988/02/10_14days 
@attribute outlook {sunny, overcast, rainy}
@attribute windy {TRUE, FALSE}
@attribute temperature real
@attribute humidity real 
@attribute play {yes, no}

@data
sunny,FALSE,85,85,no
sunny,TRUE,80,90,no
overcast,FALSE,83,86,yes
rainy,FALSE,70,96,yes
rainy,FALSE,68,80,yes 

以%開頭的兩行是注釋，主要介紹該數據集的來源，內容和意義等；

@relation 是該數據集的關系名稱；

@attribute 是該數據集每個實例的屬性說明，上例中共有5個屬性，其中3個列表型屬性，2個數值型屬性，沒有字符串型屬性；

@data 下面行就是數據集內容，每行代表一個實例，每個實例由5個之前定義過的屬性。

在Weka中，默認將每個樣例的最后一個屬性認為是類別/標記 屬性，在上例中，類別屬性是play，通過前4個屬性來判斷play是yes或者no。當然也可以通過參數 -c 來自己指定類別屬性。Weka中屬性的索引從1開始編號，例如，-c 1 將指定第一個屬性即outlook為類別屬性。

通過 weka.core.Instances 類可以統計 ARFF數據集的一些基本信息，命令行參數為：

java weka.core.Instances weather.arff

結果如下：

可以看到該數據集的名稱，樣例數目，屬性數目，每個屬性的類型，有誤屬性丟失等統計信息。

weka.core提供了一些別的有用的程序，如converters.C45Loader 和 converters.CSVLoader 能夠分別導入C45數據集和CSV格式的數據集並將其轉換為ARFF格式，命令如下：

java weka.core.converters.CSVLoader data.csv > data.arff
java weka.core.converters.C45Loader c45_filestem > data.arff

 未完待續...