weka中文使用说明——数据格式

ARFF文件介绍
WEKA存储数据的格式是ARFF（Attribute-RelationFile Format）文件，这是一种ASCII文本文件。图1所示的二维表格存储在如下的ARFF文件中。这也就是WEKA自带的weather.arff文件，在WEKA安装目录的data子目录下可以找到。

Code:

% ARFF file for the weather data with some numric features % @relation weather @attribute outlook {sunny, overcast, rainy} @attribute temperature real @attribute humidity real @attribute windy {TRUE, FALSE} @attribute play {yes, no} @data % % 14 instances % sunny,85,85,FALSE,no sunny,80,90,TRUE,no overcast,83,86,FALSE,yes rainy,70,96,FALSE,yes rainy,68,80,FALSE,yes rainy,65,70,TRUE,no overcast,64,65,TRUE,yes sunny,72,95,FALSE,no sunny,69,70,FALSE,yes rainy,75,80,FALSE,yes sunny,75,70,TRUE,yes overcast,72,90,TRUE,yes overcast,81,75,FALSE,yes rainy,71,91,TRUE,no

    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Ultra Edit这样的字符编辑软件察看ARFF文件的内容。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。以%开始的行是注释，WEKA将忽略这些行。如果你看到的weather.arff文件多了或少了些%开始的行，是没有影响的。

    除去注释后，整个ARFF文件可以分为两个部分。第一部分给出了头信息（Head information），包括了对关系的声明和对属性的声明。第二部分给出了数据信息（Data information），即数据集中给出的数据。从“@data”标记开始，后面的就是数据信息了。

    关系声明：关系名称在ARFF文件的第一个有效行来定义，格式为 @relation<relation-name>

    <relation-name>是一个字符串。如果这个字符串包含空格，它必须加上引号（指英文标点的单引号或双引号）。

属性声明

    属性声明用一列以@attribute开头的语句表示。数据集中的每一个属性都有它对应的@attribute语句，来定义它的属性名称和数据类型。这些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。例如，humidity是第三个被声明的属性，这说明数据部分那些被逗号分开的列中，第三列数据85 90 86 96 ... 是相应的humidity值。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。

   属性声明的格式为：

   @attribute <attribute-name> <datatype>

   其中<attribute-name>是必须以字母开头的字符串。和关系名称一样，如果这个字符串包含空格，它必须加上引号。

   Weka支持的<datatype>有四种：

   numeric--------------------------数值型

   <nominal-specification>-----分类（nominal）型

   string----------------------------字符串型

   date [<date-format>]----------日期和时间型

   其中<nominal-specification> 和<date-format> 将在下面说明。还可以使用两个类型“integer”和“real”，但是WEKA把它们都当作“numeric”看待。注意“integer”，“real”，“numeric”，“date”，“string”这些关键字是区分大小写的，而“relation”“attribute ”和“date”则不区分。

   数值属性：数值型属性可以是整数或者实数，但Weka把它们都当作实数看待。

分类属性：分类属性由<nominal-specification>列出一系列可能的类别名称并放在花括号中：{<nominal-name1>, <nominal-name2>,<nominal-name3>, ...} 。数据集中该属性的值只能是其中一种类别。例如如下的属性声明说明“outlook”属性有三种类别：“sunny”，“ overcast”和“rainy”。而数据集中每个实例对应的“outlook”值必是这三者之一。

@attribute outlook {sunny, overcast, rainy} 如果类别名称带有空格，仍需要将之放入引号中。
字符串属性：字符串属性中可以包含任意的文本。这种类型的属性在文本挖掘中非常有用。

示例：@ATTRIBUTELCC string
日期和时间属性：日期和时间属性统一用“date”类型表示，它的格式是@attribute <name> date [<date-format>]

其中<name>是这个属性的名称，<date-format>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，默认
的字符串是ISO-8601所给的日期时间组合格式“yyyy-MM-ddTHH:mm:ss”。数据信息部分表达日期的字符串必须符合声明中规定的格式要求。

数据信息：数据信息中“@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。如果某个属性的值是缺失值（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
字符串属性和分类属性的值是区分大小写的。若值中含有空格，必须被引号括起来。例如：

@relation LCCvsLCSH

@attribute LCC string

@attribute LCSH string
 @data

  AG5, 'Encyclopedias and dictionaries.;Twentieth century.'

  AS262, 'Science -- Soviet Union -- History.'

日期属性的值必须与属性声明中给定的相一致。例如：

@RELATION Timestamps
  @ATTRIBUTE timestamp DATE "yyyy-MM-ddHH:mm:ss"

    @DATA

    "2001-04-0312:12:12"

    "2001-05-0312:59:55"

    稀疏数据：有的时候数据集中含有大量的0值（比如购物篮分析），这个时候用稀疏格式的数据存贮更加省空间。

稀疏格式是针对数据信息中某个实例的表示而言，不需要修改ARFF文件的其它部分。看如下的数据：

    @data

     0, X, 0, Y, "classA"

     0, 0, W, 0, "classB"

    用稀疏格式表达的话就是

    @data

     {1 X, 3 Y, 4 "classA"}

     {2 W, 4 "classB"}

    每个实例用花括号括起来。实例中每一个非0的属性值用<index><空格> <value>表示。<index>是属性的序号，从0开始计；<value>是属性值。属性值之间仍用逗号隔开。这里每个实例的数值必须按属性的顺序来写，如 {1 X, 3 Y, 4 "class A"}，不能写成{3 Y, 1 X, 4 "class A"}。注意在稀疏格式中没有注明的属性值不是缺失值，而是0值。若要表示缺失值必须显式的用问号表示出来。

    Relational型属性：在WEKA 3.5版以后增加了一种属性类型叫做Relational，有了这种类型我们可以像关系型数据库那样处理多个维度了。但是这种类型目前还不见广泛应用，暂不作介绍。