【WEKA】ARFF文件的格式

1.    WEKA（Waikato Environment for KnowledgeAnalysis）：怀卡托智能分析环境。

        作为一个大众化的数据挖掘工作平台，WEKA集成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、关联分析以及在新的交互式界面上的可视化等等。通过其接口，可在其基础上实现自己的数据挖掘算法。

        （源代码地址：http://www.cs.waikato.ac.nz/ml/weka/）

 

2.    WEKA的数据文件格式：

• ARFF（Attribute-Relation File Format）：ARFF格式（.arff）是WEKA支持得最好的文件格式，这是一种ASCII文本文件。
• CSV：WEKA提供对CSV文件的支持，利用WEKA也可以将CSV文件格式转化成ARFF文件格式。

• WEKA提供通过JDBC访问数据库的功能。

3.    ARFF文件结构：可以分为两个部分：头信息和数据信息。

①   头信息（Head information）：包括了对关系的声明和对属性的声明；

• 关系名称：第一个有效行来定义，格式为

        @relation

• 属性声明：用一列以“@attribute”开头的语句表示，用来定义属性的名称和数据类型。格式为

        @attribute

②   数据信息（Data information）：即数据集中给出的数据，“@data”标记独占一行，剩下的是各个实例的数据，每个实例占一行。实例的各属性值用逗号“,”隔开，缺失值（missing value）用问号“?”表示，且这个问号不能省略。例如：

        @data

        sunny,85,85,FALSE,no

        ?,78,90,?,yes

文件示例：weather.arff（在WEKA安装目录的“data”子目录下）

 

4.    WEKA支持的四种数据格式：

• numeric：数值型。还可以使用两个类型“integer”和“real”，但是WEKA把它们都当作“numeric”看待。
• ：标称型，列出一系列可能的类别名称并放在花括号中，例如：@attribute outlook {sunny, overcast, rainy}
• string：字符串型，可以包含任意的文本。
• data[]：日期和时间型，是一个字符串，来规定该怎样解析和显示日期或时间的格式，日期属性的值必须与属性声明中给定的相一致。默认的字符串是“yyyy-MM-ddTHH:mm:ss”。例如：

        @ATTRIBUTEtimestamp DATE "yyyy-MM-dd HH:mm:ss"

        @DATA

        "2001-04-0312:12:12"

        "2001-05-0312:59:55"

Tips：

①   以“%”开始的行是注释。

②   识别ARFF文件的重要依据是分行，因此不能在这种文件里随意的断行。空行（或全是空格的行）将被忽略。

③   属性声明语句的顺序很重要：首先它表明了该项属性在数据部分的位置；其次，最后一个声明的属性被称作class属性，在分类或回归任务中，它是默认的目标变量。

④   如果和的命名中包含空格，它必须加上引号（指英文标点的单引号或双引号）。

⑤   数据格式，字符串属性和标称属性的值是区分大小写的，而“relation”、“attribute ”和“data”则不区分。若值中含有空格，必须被引号括起来。