1.数据格式: 与很多电子表格或数据分析软件一样，WEKA所处理的数据集是一个二维的表格。

 　　这里我们要介绍一下WEKA中的术语。表格里的一个横行称作一个实例(Instance)，相当于统计学中的一个样本，或者数据库中的一条记录。竖行称作一个属性(Attrbute)，相当于统计学中的一个变量，或者数据库中的一个字段。这样一个表格，或者叫数据集，在WEKA看来，呈现了属性之间的一种关系(Relation)。图1中一共有14个实例，5个属性，关系名称为“weather”。 

　　WEKA存储数据的格式是ARFF(Attribute-Relation File 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。

2.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

　　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)。

3.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

　　其中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支持的有四种，分别是

　　numeric-------------------------数值型

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

　　date []--------日期和时间型

4.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。

5.分类属性

　　分类属性由列出一系列可能的类别名称并放在花括号中：{, , , ...} 。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。

6.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：　@ATTRIBUTE LCC string

7.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 date []，其中[]是这个属性的名称，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(下文有例子)。

8.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-dd HH:mm:ss"

　　@DATA

　　"2001-04-03 12:12:12"

　　"2001-05-03 12:59:55"

　　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, "class A"

　　0, 0, W, 0, "class B"

　　用稀疏格式表达的话就是

　　@data

　　{1 X, 3 Y, 4 "class A"}

　　{2 W, 4 "class B"}

　　每个实例用花括号括起来。实例中每一个非0的属性值用 <空格> 表示。是属性的序号，从0开始计;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。

9.Relational型属性

　　在WEKA 3.5版中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。

10.数据准备

　　使用WEKA作数据挖掘，面临的第一个问题往往是我们的数据不是ARFF格式的。幸好，WEKA还提供了对CSV文件的支持，而这种格式是被很多其他软件所支持的。此外，WEKA还提供了通过JDBC访问数据库的功能。

　　在这一节里，我们先以Excel和Matlab为例，说明如何获得CSV文件。然后我们将知道CSV文件如何转化成ARFF文件，毕竟后者才是WEKA支持得最好的文件格式。面对一个ARFF文件，我们仍有一些预处理要做，才能进行挖掘任务。

　　.* -> .csv

　　我们给出一个CSV文件的例子(bank-data.csv)。用UltraEdit打开它可以看到，这种格式也是一种逗号分割数据的文本文件,储存了一个二维表格。 

　　Excel的XLS文件可以让多个二维表格放到不同的工作表(Sheet)中，我们只能把每个工作表存成不同的CSV文件。打开一个XLS文件并切换到需要转换的工作表，另存为CSV类型，点“确定”、“是”忽略提示即可完成操作。

　　在Matlab中的二维表格是一个矩阵，我们通过这条命令把一个矩阵存成CSV格式。

　　csvwrite('filename',matrixname)

　　需要注意的是，Matllab给出的CSV文件往往没有属性名(Excel给出的也有可能没有)。而WEKA必须从CSV文件的第一行读取属性名，否则就会把第一行的各属性值读成变量名。因此我们对于Matllab给出的CSV文件需要用UltraEdit打开，手工添加一行属性名。注意属性名的个数要跟数据属性的个数一致，仍用逗号隔开。

　　.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。

　　运行WEKA的主程序，出现GUI后可以点击下方按钮进入相应的模块。我们点击进入“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。

　　在WEKA 3.5中提供了一个“Arff Viewer”模块，我们可以用它打开一个CSV文件将进行浏览，然后另存为ARFF文件。

　　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。

11.“Exploer”界面

　　我们应该注意到，“Exploer”还提供了很多功能，实际上可以说这是WEKA使用最多的模块。现在我们先来熟悉它的界面，然后利用它对数据进行预处理。