weka数据预处理：使用weka将excel数据转换为arff格式数据

最新推荐文章于 2023-11-16 00:30:22 发布
最新推荐文章于 2023-11-16 00:30:22 发布
阅读量9.2k 收藏 13
点赞数 2
分类专栏： weka 文章标签： weka arff
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u012596210/article/details/38231823
版权

.csv -> .arff    
方法一：运行WEKA的主程序，出现GUI后点击进入“Simple CLI”模块提供的命令行功能。在新窗口的最下方（上方是不能写字的）输入框写上 
java weka.core.converters.CSVLoader filename.csv > filename.arff 

即可完成转换。 

方法二：进入“Exploer”模块，从上方的按钮中打开CSV文件然后另存为ARFF文件亦可。


小小的刀
关注
  • 2
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
数据挖掘实验报告.doc
12-23
《数据挖掘》 Weka实验报告 姓名 ＿ 学号＿ 指导教师 开课学期 2015 至 2016 学年 2 学期 完成日期 2015年6月12日 1.实验目的 基于http://archive.ics.uci.edu/ml/datasets/Breast+Cancer+WiscOnsin+%28Ori - ginal%29的数据，使用数据挖掘中的分类算法，运用Weka平台的基本功能对数据集进 行分类，对算法结果进行性能比较，画出性能比较图，另外针对不同数量的训练集进行 对比实验，并画出性能比较图训练并测试。 2.实验环境 实验采用Weka平台，数据使用来自http://archive.ics.uci.edu/ml/Datasets/Br- east+Cancer+WiscOnsin+%28Original%29，主要使用其中的Breast Cancer Wisc- onsin (Original) Data Set数据。Weka是怀卡托智能分析系统的缩写，该系统由新西兰怀卡托大学开发。Weka使 用Java写成的，并且限制在GNU通用公共证书的条件下发布。它可以运行于几乎所有操作 平台，是一款免费的，非商业化的机器学习以及数据挖掘软件。Weka提供了一个统一界 面，可结合预处理以及后处理方法，将许多不同的学习算法应用于任何所给的数据集， 并评估由不同的学习方案所得出的结果。 3.实验步骤 3.1数据预处理 本实验是针对威斯康辛州(原始)的乳腺癌数据集进行分类，该表含有Sample code number（样本代码)，Clump Thickness（丛厚度），Uniformity of Cell Size（均匀的细胞大小）， Uniformity of Cell Shape （均匀的细胞形状），Marginal Adhesion（边际粘连），Single Epithelial Cell Size（单一的上皮细胞大小），Bare Nuclei（裸核），Bland Chromatin（平淡的染色质），Normal Nucleoli（正常的核仁）， Mitoses（有丝分裂），Class（分类），其中第二项到第十项取值均为1- 10，分类中2代表良性，4代表恶性。 通过实验，希望能找出患乳腺癌客户各指标的分布情况。 该数据的数据属性如下： 1. Sample code number（numeric），样本代码； 2. Clump Thickness（numeric），丛厚度； 3.Uniformity of Cell Size（numeric）均匀的细胞大小； 4. Uniformity of Cell Shape（numeric），均匀的细胞形状； 5.Marginal Adhesion（numeric），边际粘连； 6.Single Epithelial Cell Size（numeric），单一的上皮细胞大小； 7.Bare Nuclei（numeric），裸核； 8.Bland Chromatin（numeric），平淡的染色质； 9. Normal Nucleoli（numeric），正常的核仁； 10.Mitoses（numeric），有丝分裂； 11.Class（enum），分类。 3.2数据分析 由http://archive.ics.uci.edu/ml/datasets/Breast+Cancer+WiscOnsin+%28Ori- ginal%29得到一组由逗号隔开的数据，复制粘贴至excel表中，选择数据——分列——下 一步——逗号——完成，该数据是有关乳腺癌数据集，有11个属性，分别为Sample code number（样本代码)，Clump Thickness（丛厚度），Uniformity of Cell Size（均匀的细胞大小），Uniformity of Cell Shape （均匀的细胞形状），Marginal Adhesion（边际粘连），Single Epithelial Cell Size（单一的上皮细胞大小），Bare Nuclei（裸核），Bland Chromatin（平淡的染色质），Normal Nucleoli（正常的核仁）， Mitoses（有丝分裂），Class（分类），因为复制粘贴过来的数据没有属性，所以手工 添加一行属性名。Weka分类数据需把excel保存为一个csv文件。 3.2.1 .csv -> .arff 将CSV转换为ARFF最迅捷的办法是使用WEKA所带的命令行工具。 打开weka,之后出现GUI界面，如图1所示： （图1） 点击进入"Exploer"模块，要将.csv 格式转换为 .arff格式，点击open file...,打开刚保存的"乳腺癌数据集.csv
csv2arff:将任何 csv 或 xls 转换为 arff 文件格式的简单文件-matlab开发
06-01
这对我们中的一些人来说可能有点方便:) 希望它有帮助.. 1.将此文件与所有 csv/xls 文件放在相同的文件夹中。 ->classed 被假定放在最后一列2.将分类器值更改为您自己的成绩/班级3.运行文件。
数据挖掘weka数据分类实验报告.doc
12-23
一、实验目的 使用数据挖掘中的分类算法，对数据集进行分类训练并测试。应用不同的分类算法，比 较他们之间的不同。与此同时了解Weka平台的基本功能与使用方法。 二、实验环境 实验采用Weka 平台，数据使用Weka安装目录下data文件夹下的默认数据集iris.arff。 Weka是怀卡托智能分析系统的缩写，该系统由新西兰怀卡托大学开发。Weka使用Java写 成的，并且限制在GNU通用公共证书的条件下发布。它可以运行于几乎所有操作平台，是 一款免费的，非商业化的机器学习以及数据挖掘软件。Weka提供了一个统一界面，可结 合预处理以及后处理方法，将许多不同的学习算法应用于任何所给的数据集，并评估由 不同的学习方案所得出的结果。 三、数据预处理 Weka平台支持ARFF格式和CSV格式的数据。由于本次使用平台自带的ARFF格式数据，所以 不存在格式转换的过程。实验所用的ARFF格式数据集如图1所示 图1 ARFF格式数据集(iris.arff) 对于iris数据集，它包含了150个实例（每个分类包含50个实例），共有sepal length、sepal width、petal length、petal width和class五种属性。期中前四种属性为数值类型，class属性为分类属性，表示实例 所对应的的类别。该数据集中的全部实例共可分为三类：Iris Setosa、Iris Versicolour和Iris Virginica。 实验数据集中所有的数据都是实验所需的，因此不存在属性筛选的问题。若所采用的 数据集中存在大量的与实验无关的属性，则需要使用weka平台的Filter(过滤器)实现属 性的筛选。 实验所需的训练集和测试集均为iris.arff。 四、实验过程及结果 应用iris数据集，分别采用LibSVM、C4.5决策树分类器和朴素贝叶斯分类器进行测试 和评价，分别在训练数据上训练出分类模型，找出各个模型最优的参数值，并对三个模 型进行全面评价比较，得到一个最好的分类模型以及该模型所有设置的最优参数。最后 使用这些参数以及训练集和校验集数据一起构造出一个最优分类器，并利用该分类器对 测试数据进行预测。 1. LibSVM分类 Weka 平台内部没有集成libSVM分类器，要使用该分类器，需要下载libsvm.jar并导入到Weka 中。 用"Explorer"打开数据集"iris.arff"，并在Explorer中将功能面板切换到"Classif y"。点"Choose"按钮选择"functions(weka.classifiers.functions.LibSVM)"，选择Li bSVM分类算法。 在Test Options 面板中选择Cross-Validatioin folds=10，即十折交叉验证。然后点击"start"按钮： "使用LibSVM分类算法训练数据集得出的结果 " "参数：–S 0 –K 2 –D 3 –G 0.0 –R 0.0 –N 0.5 –M 40.0 –C 1.0 " "–E 0.0010 –P 0.1 " " " "结果分析： " "使用该参数指定的LibSVM训练数据集，得到准确率为96.6667%，其中150个 " "实例中的145个被正确分类，5个被错误分类。根据混淆矩阵，被错误分类实" "例的为：2个b类实例被错误分类到c；3个c类实例被错误分类到b。该算法P=" "0.967，R=0.967，ROC面积为0.975。 " 将模型应用于测试集： "使用LibSVM分类算法测试数据集得出的结果 " " " "分类误差： " " " "结果分析： " "准确率为98.6667%，只有两个实例被错误分类。P=0.987，R=0.987，ROC面 " "积为0.99 " 2. C4.5决策树分类器 依然使用十折交叉验证，训练集和测试集相同。 "使用C4.5决策树分类算法训练数据集得出的结果 " "参数：-C 0.25 -M 2 " " " " " "结果分析： " "使用该参数指定的C4.5决策树分类器训练数据集，得到准确率为96%，其中1" "50个实例中的144个被正确分类，6个被错误分类。根据混淆矩阵，被错误分" "类实例的为：2个b类实例被错误分类到c,1个b类实例被错误分类到a；3个c " "类实例被错误分类到b。该算法P=0.96，R=0.96，ROC面积为0.968。 " 将模型应用于测试集： "使用C4.5分类算法测试数据集得出的结果 " " " "分类误差： " " " "结果分析： " "准确率为98%，有3个实例被错误分类。P=0.98，R=0.98，ROC面积为0.993 " 3. 朴素贝叶斯分类器 "使用朴素贝叶斯分类算法训练数据集得出的结果 " "参数：无 "
Excel to Arff Converter-开源
05-13
Excel到Arff转换器。 您可以轻松地将Excel数据转换为将要用于数据挖掘过程的arff文件格式，然后使用WEKA数据挖掘实用程序轻松地分析您的数据和结果。
weka-3-8-6-azul-zulu-windows数据挖掘处理软件下载
06-07
WEKA 的全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis），同时 weka 也是新西兰的一种鸟名，而 WEKA 的主要开发者也来自新西兰。WEKA 作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。如果想自己实现数据挖掘算法的话，可以看一看 weka 的接口文档。在 weka 中集成自己的算法甚至借鉴它的方法自己实现可视化工具并不是件很困难的事情。 Weka 基于 Java 开发，是一款开源且免费的软件，有 Windows 版本，Linux 版本和 Mac OS 版本。在数据源上支持 ARFF文件，这是一种 ASCII 文本文件，CSV 文件和 JDBC 数据库访问功能。 Weka 轻巧便捷，安装简单，非常适合个人用户和中小企业使用。在操作上可以可视化操作无需编程，支持拖拉拽式工作流程使用起来非常方便，但是无论是数据预处理还是算法选择和调参都需要工程师手动完成，因此使用者需要具备一定统计学基础和数据挖掘经验。
Wake文件转换【Excel----->Arff】
TaoTaoFu的博客
09-27 4418
Wake文件转换【Excel----->Arff】
使用Weka进行数据挖掘（Weka教程二）Weka数据之ARFF与多文件格式转换
乔阳的博客
03-05 8116
这篇博客主要讲解Weka的数据格式 Weka数据格式Weka的专有数据格式ARFF及与其他格式文件之间的转换。
数据挖掘工具Weka之数据格式xls转化为ARFF格式
2302_76986722的博客
11-16 728
type选择arff ，保存到桌面就行了。点击右上角的save。
问题解决：在Weka中如何将CSV格式文件转换为ARFF文件
捡起一束光的博客
03-26 1568
Comma Separated Value (CSV) format CSV format 5.1,3.5,1.4,0.2,Iris-setosa 4.9,3.0,1.4,0.2,Iris-setosa 4.7,3.2,1.3,0.2,Iris-setosa 4.6,3.1,1.5,0.2,Iris-setosa 5.0,3.6,1.4,0.2,Iris-setosa ARFF format @...
Weka： ARFF是什么
beyondsanli的专栏
04-20 585
ARFF文件是Weka默认的储存数据集文件。每个ARFF文件对应一个二维表格。表格的各行是数据集的各实例，各列是数据集的各个属性。 下面是Weka自带的“weather.arff”文件，在Weka安装目录的“data”子目录下可以找到。 需要注意的是，在Windows记事本打开这个文件时，可能会因为回车符定义不一致而导致分行不正常。推荐使用UltraEdit这样的字符编辑软件察看ARFF文件的内...
基于Weka的数据分类分析实验报告.docx
12-23
由于本次使用平台自带的ARFF格式数据，所以不存在格式转换的过程。实验所用的ARFF格式数据集如图2所示。 图2 AREF格式数据集（iris.arff） 鸢尾花的数据集包括三个类别：Iris Setosa（山鸢尾）、Iris Versicolour...
基于Weka的数据分类分析实验报告范文.docx
12-23
由于本次使用平台自带的ARFF格式数据，所以不存在格式转换的过程。实验所用的ARFF格式数据集如图2所示。 基于Weka的数据分类分析实验报告范文全文共6页，当前为第3页。 基于Weka的数据分类分析实验报告范文全文共6页...
Matlab读取.arff文件
hello@liuxu
12-11 7340
Matlab读取.arff文件 1、 （以office2007为例）打开Microsoft Office Excel——（菜单栏）数据——（工具栏）自文本——将弹出对话框中的“文件类型”改为“所有文件（*.*）”——选取你的XXXX .arff 文件——导入——下一步——在“分隔符号”中选择“逗号”——下一步——完成——新建工作表——确定——保存到所需位置（如果文件内容含有英文内容，请将其转换为
[WEKA]如何将英文文本数据集转换为ARFF格式
bluenight专栏
11-19 1万+
若采用的是英文文本语料库，利用WEKA将英文文本数据转换到ARFF格式中，需要用到以下两个工具：TextDirectoryToArff和TextDirectoryLoader。 TextDirectoryToArff是一个JAVA类（Class），它负责将一个目录文件中的文本数据转换到一个ARFF文件中。 TextDirectoryLoader是一个转换器（Converter），它是
使用Weka进行数据可视化
Twilight
02-21 6192
先贴上Weka的下载地址和数据来源UCI： Weka:https://www.cs.waikato.ac.nz/ml/weka/ UCI:https://archive.ics.uci.edu/ml/index.php 注：本文选取其中Bank Marketing的数据作为示例。 一、将excel(csv)文件转化成arff格式文件 打开文件的一般步骤：Weka 3.8.4 ...
weka: 生成并保存ARFF格式数据
huangzhichang13的专栏
12-14 876
package org.honghe;   import weka.core.Attribute; import weka.core.FastVector; import weka.core.Instance; import weka.core.Instances; import weka.core.converters.Co
从.data文件转为.csv文件
热门推荐
qq_43231261的博客
05-13 1万+
在训练KNN时使用了UCI数据集，里面的数据通常以.data格式存储，在将数据集中的字符串转化为浮点型时出现了以下错误： could not convert string to float: ‘temp’ 上网查了写资料，说是因为数据中存在空格，因此没法直接转换。 源代码如下： for x in range(len(dataset) - 1): for y in range(6...
Python3脚本实现csv文件和arff文件的相互转换
jp_zhou256的博客
11-30 3700
本文实现在Python3环境下，编程实现csv文件和arff文件的相互转换。本文所用数据来自于weka3.8或者weka3.9中data子目录下的airline.arff文件。使用Python代码实现airline.arff到airline.csv文件的转换(实质是信息的抽取和重新组织)和airline.csv文件到airline1.arff文件的转换(实质是行文本数据的拼接)。airline.a...
c语言涂格子游戏源码.rar
最新发布
04-22
c语言涂格子游戏源码.rar
使用Weka作为数据挖掘工作平台对数据进行
05-23
数据挖掘通常包括多个步骤，使用Weka作为数据挖掘工作平台可以方便地进行这些步骤。 以下是使用Weka进行数据挖掘的一般步骤： 1. 导入数据：使用Weka可以轻松导入各种类型的数据，包括CSV、ARFF、文本等格式。 2. 数据预处理：数据预处理是数据挖掘的一个重要步骤，可以使用Weka中的各种过滤器进行数据清洗、转换和归一化等操作。 3. 特征选择：选择最有用的特征可以提高模型的准确性和效率。Weka提供了多种特征选择算法，例如卡方检验、信息增益、相关系数等。 4. 模型选择：选择一个合适的模型可以更好地解决数据挖掘问题。Weka中包含了多种分类器、聚类器、回归器和关联规则生成器等。 5. 模型评估：对模型进行评估可以确定其效果和性能。Weka提供了多种评估方法，例如交叉验证、留一法等。 6. 模型优化：对模型进行优化可以提高其准确性和效率。Weka支持网格搜索、遗传算法等优化算法。 7. 预测和部署：使用训练好的模型对新数据进行预测和分类，并将其部署到实际应用中。 总的来说，Weka是一款功能强大的数据挖掘工具，可以帮助用户进行数据预处理、特征选择、模型选择和优化等操作，同时提供了多种评估方法和预测功能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值