[转] 有关weka数据格式

摘自：http://www.cnblogs.com/xiaoka/archive/2012/03/22/2412421.html

Weka简介 （http://www.china-pub.com/computers/common/info.asp?id=29304）

      WEKA的全名是怀卡托智能分析环境(Walkato Environment for Knowledge Analysis)，WEKA的开发者来自新西兰，而新西兰有一种鸟名字叫做weka，便是weka图标上的那只。

      WEKA是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。

      2005年8月，在第十一届ACM SIGKDD的会议上，怀卡托大学的Weka小组获得了数据挖掘和知识探索领域的最高服务奖，Weka系统得到了广泛的认可，被誉为数据挖掘和机器学习历史上的里程碑，是现金最完备的数据挖掘工具之一。Weka每月的下载次数都已破万。

    --摘自（http://www.china-pub.com/computers/common/info.asp?id=29304）

数据格式

      WEKA的数据是.arff（Attribute-Relation File Format）格式的，是ASCII文本文件。相当于一张二维的表格，@attribute中第二列是表中各项的属性，第二列指定了表格该项的类型，一般有五种类型：{NORMINAL, NUMBERIC, STRING, DATE, RELATION}。下面是一个例子：

复制代码
@RELATION iris

@ATTRIBUTE sepallength    REAL
@ATTRIBUTE sepalwidth     REAL
@ATTRIBUTE petallength     REAL
@ATTRIBUTE petalwidth    REAL
@ATTRIBUTE class     {Iris-setosa,Iris-versicolor,Iris-virginica}

@DATA
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-versicolor
4.6,3.1,1.5,0.2,Iris-setosa
5.0,3.6,1.4,0.2,Iris-virginica
5.4,3.9,1.7,0.4,Iris-setosa
复制代码
其中:

1. @RELATION 我自己的理解是相当于给个名字，这二个字符串包含空格，必须加上引号，英文符号中的单引和双引都可；

2. @ATTRIBUTE 中第二列是表中各项的属性，第二列指定了表格该项的类型，一般有五种类型：{NORMINAL, NUMBERIC, STRING, DATE, RELATION}；
3. @DATA标记后面写的都是数据，每一行都是一组数据。

      在WEKA中给用户提供了从数据库和Excel导出CSV文件转换成ARFF文件的方法，如果不嫌麻烦写个写文件的函数也一样。

稀疏数据格式

      稀疏数据格式Sparse ARFF和ARFF文件很像，是WEKA中提供的为了有大量零值数据格式。稀疏数据格式一般是<index><space><value>

如上面例子中的

5.1,3.5,1.4,0.2,Iris-setosa
可以写成：
1 5.1,2 3.5,3 1.4,4 0.2,5 Iris-setosa
文本数据格式

      文本数据格式在数据格式中并没有，但是在WEKA的数据样例中有这样的例子。当你把文本用TextDirectoryLoader将文本集合转化成数据的时候就会形成这样的格式。下面是一个例子:

复制代码
@relation D__temp_weka_TextDirectoryLoader

@attribute text string
@attribute @@class@@ {Libya,'Wall Street'}

@data
'Libyan fighters have raised the new government',Libya
'A special briefing by senior U.S. State Department Officials on Secretary Hillary Rodham Clinton\'s visit to Libya:',Libya
'Occupy Wall Street plans to demand probe into incident involving cop; Group also wants charges against protesters dropped','Wall Street'
'As Occupy Wall Street enters its fourth week, TIME takes a look at other sociopolitical movements in U.S. history','Wall Street'
'As Occupy Wall Street enters its fourth week, TIME takes a look at other sociopolitical movements in U.S. history','Wall Street'
'As Occupy Wall Street enters its fourth week, TIME takes a look at other sociopolitical movements in U.S. history','Wall Street'
复制代码
    使用TextDirectoryLoader转化文本，使用命令行：

   

java weka.core.converters.TextDirectoryLoader -dir D:/temp/weka/TextDirectoryLoader/ > D:/temp/weka/data.arff
      路径自己定义，记住不要漏掉符号>在文本文件夹路径和输出文件路径之间。

      其中文件夹路径下面有两个文件夹：Libya和Wall Street。这两个文件夹下面分别有属于各自类别的文本。