WEKA数据挖掘入门：ARFF格式与预处理实战指南

简介：这份文档面向数据挖掘与机器学习初学者，聚焦 WEKA 平台的操作入门，帮助读者快速建立对这款开源数据挖掘工具的整体认知。内容围绕 WEKA 的定位与功能展开，涵盖数据预处理、分类、回归、聚类、关联规则与可视化等核心模块，并系统讲解实例、属性、关系等基本术语，以及 ARFF 文件头信息与数据信息的格式规范，同时涉及 CSV、Excel、Matlab 等外部数据的转换准备思路，为后续动手实验打下基础。资源包共 1 个 doc 文件，约 172KB，体量轻便，适合作为随查随用的入门笔记。目前已有 793 人学习下载，说明其在同类入门材料中具备一定参考价值。读者可从中获得对 WEKA 数据格式与功能框架的清晰梳理，理解属性声明顺序、class 属性等易错细节，减少上手阶段的格式困惑，适合作为数据挖掘课程配套阅读或自学起步材料。

1. 从一份 weather.arff 说起：WEKA 到底能帮你把数据挖到什么程度

很多人第一次打开 WEKA，看到那个带鸟图标的界面，会以为它只是个教学玩具。我最初也这么想，直到有一次要在一份客户流失表上快速验证“到底哪个字段在起作用”，用 Excel 透视表折腾了一下午没结论，换成 WEKA 的 Explorer，选个 J48、点一下 Start，十秒钟决策树就画出来了，还把每个分裂点的信息增益标得清清楚楚。那一刻我才明白，WEKA 的价值不在于算法多新，而在于它把“数据预处理—建模—评估—可视化”这条链路压缩到了几次点击之内，让你能把精力放在判断结果上，而不是搭环境上。

WEKA 全名是怀卡托智能分析环境，一个公开的数据挖掘工作平台，面向非商业研究用途，内置了分类、回归、聚类、关联规则以及配套的可视化。它处理数据的核心格式是 ARFF（Attribute-Relation File Format），一种纯 ASCII 文本文件。理解 ARFF，基本就理解了 WEKA 的数据观：一张二维表，一行是一个实例（Instance），一列是一个属性（Attribute），整张表构成一个关系（Relation）。这篇笔记就按“数据怎么进来—怎么洗干净—怎么建模—哪里会翻车”的顺序，把这份入门资料里的操作拆成能照着复现的步骤，适合刚接触数据挖掘、手里有一堆 CSV 却不知道从哪下手的人。

2. ARFF 格式拆解：头信息、属性声明与四种数据类型

2.1 一个 ARFF 文件的完整骨架

WEKA 安装目录的 data 子目录下自带 weather.arff，拿它当模板最省事。整个文件去掉以 % 开头的注释行之后，只剩两段：头信息（Head information）和数据信息（Data information）。头信息负责声明关系名和每个属性，数据信息从 @data 标记开始，后面全是逗号分隔的记录。下面是我按原文件整理的一份最小可用版本，可以直接存成 weather.arff 试跑：

% 注释行，WEKA 会忽略 @relation weather @attribute outlook {sunny, overcast, rainy} @attribute temperature real @attribute humidity real @attribute windy {TRUE, FALSE} @attribute play {yes, no} @data 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

这段内容里没有一行是多余的。@relation 后面跟关系名，如果名字里带空格，必须用英文单引号或双引号包起来，否则解析直接报错。@attribute 每条定义一个属性，顺序就是数据列的顺序，这一点后面会反复用到。@data 之后每行一条实例，字段个数必须和属性声明数量严格一致，多一个少一个都会在加载时报 “number of attributes” 之类的错误。

2.2 四种数据类型怎么选

WEKA 的属性类型只有四种，选错了后面 Filter 和算法都会跟着出问题，所以这里值得单独说清楚：

分类属性的花括号里必须把可能出现的取值全部列出来，数据里出现一个没声明的值，加载时就会报错。日期型默认按 ISO-8601 的yyyy-MM-ddTHH:mm:ss解析，如果你的数据是2024/01/05这种写法，就得在声明里写成@attribute trade_date date "yyyy/MM/dd"，格式串写错是最常见的加载失败原因之一。

还有一个容易被忽略的规则：最后一个声明的属性被当作 class 属性，也就是分类或回归任务默认的目标变量。所以属性顺序不是随便排的，目标列要放在最后。如果你从数据库导出的表把标签放在第一列，加载后 WEKA 会把第一列当目标，模型结果自然全错。

2.3 从 CSV、Excel、Matlab 把数据搬进 ARFF

现实里的数据很少天生就是 ARFF。WEKA 支持 CSV，也支持通过 JDBC 读数据库，但最常用的还是先把各种来源统一成 CSV，再转 ARFF。

Excel 的 XLS 可以放多个工作表，而 CSV 一次只能存一张表，所以每个工作表要单独另存为一个 CSV 文件。操作就是打开 XLS、切到目标工作表、另存为 CSV、忽略格式提示。Matlab 里的二维矩阵用csvwrite('filename', matrixname)就能导出 CSV。这里有个血泪经验：Matlab 和部分 Excel 导出的 CSV 往往没有表头，而 WEKA 读 CSV 时默认把第一行当属性名，结果第一行真实数据被吃成了列名，后面所有列整体错位。解决办法是用文本编辑器打开 CSV，手工补一行属性名，个数必须和数据列数一致，仍然用逗号分隔。

CSV 转 ARFF 最直接的办法是走 WEKA 自带的命令行。启动主程序进入 GUI 后，点下方的 Simple CLI 模块，在窗口最下方的输入框里执行：

java weka.core.converters.CSVLoader b.csv > b.arff

这条命令的含义很直白：调用 CSVLoader 读入 b.csv，把标准输出重定向到 b.arff。参数上没什么可调的，真正要注意的是执行目录——b.csv 要么写绝对路径，要么保证当前工作目录就是文件所在目录，否则会报找不到文件。另外这条命令不会帮你补表头，表头缺失的问题还是得在 CSV 阶段解决。

不想碰命令行的话，Explorer 里也能干这件事：打开 CSV 文件浏览，然后另存为 ARFF。3.5 版本之后还提供过 Arff Viewer 模块，同样是打开 CSV 再另存。两条路殊途同归，命令行适合批量，图形界面适合边看边改。

3. Explorer 界面与预处理：删 ID、离散化、改标签

3.1 把 Explorer 的八个区域认全

Explorer 是 WEKA 用得最多的模块，界面可以分成八个区域来记。区域 1 是顶部选项卡，用来切换 Preprocess、Classify、Cluster、Associate 等不同任务面板，预处理阶段只关心 Preprocess。区域 2 是常用按钮，打开数据、保存、编辑、Undo 都在这里。区域 3 的 Choose 用来选 Filter，数据预处理主要靠它。区域 4 显示数据集概况，比如实例数、属性数。区域 5 列出全部属性，勾选后点 Remove 就能删列，删错了用区域 2 的 Undo 找回。区域 5 上方那排按钮是快速勾选用的。选中某个属性后，区域 6 显示它的摘要，数值属性和分类属性的摘要形式不一样。区域 7 是选中属性的直方图，如果最后一个属性是分类变量，直方图每个长方形会按类别比例分成不同颜色段，想换分段依据就在上方下拉框里选别的分类属性，选 No Class 或数值属性则变成黑白直方图。区域 8 是状态栏，看 Log 判断有没有报错，右边那只鸟在动说明正在跑任务，右键状态栏还能触发 Java 垃圾回收。

这套界面初看杂，但用两次就顺了。我的习惯是打开数据后先扫一眼区域 4 的实例数和属性数，再看区域 5 有没有明显该删的列，最后才动 Filter。

3.2 删掉 ID 类属性，别让它污染模型

以资料里的 bank-data 为例，属性包括 id、age、sex、region、income、married、children、car、save_acct、current_acct、mortgage、pep，其中 pep 是目标变量，表示客户在上次邮寄后是否购买了某理财产品。id 是唯一标识，对挖掘任务没有任何信息量，留着只会让某些算法把它当成有意义的数值特征。操作很直接：在区域 5 勾选 id，点 Remove，然后保存一次。

保存后用文本编辑器打开 ARFF，能看到 WEKA 已经为每个属性自动选好了类型。这一步值得检查，因为自动推断偶尔会把本该是分类的列判成数值，或者反过来。确认无误再往下走。

3.3 数值属性离散化：手改与 Discretize 两条路

有些算法只接受全部分类属性，这时就得把数值列离散化。bank-data 里有三个数值属性：age、income、children。其中 children 只有 0、1、2、3 四个取值，本质上是分类变量，最省事的做法是直接在 ARFF 文件里把声明改掉：

@attribute children numeric

改成：

@attribute children {0,1,2,3}

改完在 Explorer 里重新打开，选中 children，区域 6 里的 Type 应该显示为 Nominal，说明生效了。这种手工改法适合取值本来就有限的列，比跑 Filter 干净。

age 和 income 取值连续，得靠 Discretize 这个 Filter。在区域 2 点 Choose，展开 Filter 树，逐级找到weka.filters.unsupervised.attribute.Discretize并点击。如果树展开后关不掉，在树外面点一下 Explorer 面板就行。选中后 Choose 旁边的文本框会显示类似Discretize -B 10 -M -0.1 -R first-last的默认参数，点这个文本框会弹出参数窗口。

我们不想对所有属性离散化，只针对第 1 个和第 4 个属性（属性名左边的数字就是索引），所以把 attributeIndices 改成1,4；计划每个属性分 3 段，把 bins 改成3；其余参数不动，点 OK 回到 Explorer，再点 Choose 右边的 Apply。这时 age 和 income 已经变成分类属性，想反悔就点 Undo。

参数含义值得说清楚：-B是分箱数，-M表示按等频而不是等宽切分，-R指定作用的属性索引范围。等频切分能让每段样本量接近，避免某个箱子里只有一两条记录导致后续统计失真；如果你的数据分布极偏，等宽切分可能切出一堆空箱，这时候-M更稳。

3.4 把晦涩的分箱标签换成可读区间

Discretize 生成的标签长这样：(-inf-34.333333]，看着就头大。保存 ARFF 后用文本编辑器打开，把所有'(-inf-34.333333]'替换成0_34这类可读写法，其他区间照做。注意替换时连同引号一起处理，保证替换后的标签仍然是合法的分类取值，且花括号里的枚举和数据部分完全一致。这一步纯手工，但做完之后再看直方图和决策树，可读性提升非常明显。

4. 避坑与排查：加载失败、列错位与离散化翻车

4.1 加载报 “nominal value not declared”

现象：打开 ARFF 时 WEKA 弹窗提示某个分类属性的取值未声明，数据加载中断。原因通常是数据部分出现了花括号里没列出的值，比如声明写的是{YES,NO}，数据里却混进了小写的yes，或者多了个空格。解决：用文本编辑器全局搜该列，把取值统一成声明里的写法，大小写和前后空格都要对齐；如果确实存在新取值，就把它补进花括号。

4.2 CSV 第一行被当成属性名，整表错位

现象：CSV 转 ARFF 后，属性名是一串数字或业务值，第一行真实数据消失。原因就是前面说的，Matlab 或部分 Excel 导出的 CSV 没有表头，而 WEKA 默认首行为列名。解决：转换前手工补一行属性名，个数与数据列数一致；或者干脆在 Excel 里加一行表头再导出。这个坑我踩过不止一次，后来养成习惯，任何 CSV 进 WEKA 之前先用文本编辑器看一眼第一行。

4.3 目标变量不在最后一列，模型结果全错

现象：分类结果看起来毫无规律，评估指标接近随机。原因：WEKA 默认把最后一个声明的属性当 class，如果目标列在中间，模型实际在预测的是别的字段。解决：在 ARFF 里调整属性声明顺序，把目标列挪到最后，数据部分的列顺序也要同步调整；或者在 Explorer 的 Preprocess 里用 Filter 重排。调整后重新加载，区域 5 里目标属性旁边会出现一个类似小标签的标记，确认它才是 class。

4.4 Discretize 后区间标签带特殊字符导致解析异常

现象：离散化保存后再次打开报错，或直方图显示异常。原因：分箱标签里的括号、负无穷符号在文本替换时被改坏，或者替换后花括号枚举与数据不一致。解决：替换时保持标签整体结构，只改可读部分；替换完用文本编辑器搜索一遍，确认每个标签在声明和数据里完全对应。稳妥起见，替换前先备份一份原始 ARFF。

4.5 大数据集下界面卡死或内存溢出

现象：加载几十万行的 CSV 时 Explorer 长时间无响应，状态栏的鸟一直动，最后抛内存错误。原因：WEKA 默认 JVM 堆内存偏小，图形界面又要把数据全读进内存。解决：启动时加大堆内存，比如java -Xmx2g -jar weka.jar；或者改用命令行跑转换和建模，避开界面开销。数据量再大就该考虑抽样或换工具了，WEKA 的定位是快速验证，不是处理海量数据。

5. 进阶技巧：用命令行把预处理固化成可复现流程

图形界面点起来快，但有个致命问题：同样的预处理步骤，换个人、换台机器就得重新点一遍，参数还容易记错。我后来养成的习惯是，凡是在 Explorer 里调通的 Filter 组合，都翻译成命令行存进脚本，这样一份数据从原始 CSV 到可建模 ARFF 的过程就能一键重放。

WEKA 的 Filter 在命令行里用weka.filters.unsupervised.attribute.Discretize这样的全限定类名调用，配合-i输入、-o输出。下面这段 bash 把“删掉第 1 列 id、对第 1 和第 4 列做 3 段等频离散化”串成一条链：

# 第一步：删除 id 列（索引 1），输出中间文件 java weka.filters.unsupervised.attribute.Remove \ -R 1 \ -i bank-data.arff \ -o bank-data-no-id.arff # 第二步：对剩余数据的第 1、4 列做 3 段等频离散化 java weka.filters.unsupervised.attribute.Discretize \ -B 3 -M -R 1,4 \ -i bank-data-no-id.arff \ -o bank-data-final.arff

-R 1表示删除第 1 个属性，-B 3是分 3 箱，-M走等频，-R 1,4指定离散化作用的列。注意第二步的列索引是相对第一步输出文件而言的，删列之后原来的第 4 列可能已经变成第 3 列，这种索引漂移是脚本化时最容易翻车的地方。我的做法是每跑完一步就用 Explorer 打开中间文件核对属性列表，确认索引再写下一步，宁可多花一分钟，也别让整条链在错误索引上跑完。

验证流程是否可复现，有个简单办法：把脚本在干净目录里重跑一遍，用diff对比两次输出的 ARFF，除了可能的时间戳注释外应当完全一致。如果 diff 出差异，多半是某步参数没写全，或者输入文件本身被改过。

还有一点，命令行跑分类任务时用-t指定训练集、-T指定测试集，配合-classpath加载 weka.jar，就能把“预处理 + 建模 + 评估”整条链路写进一个脚本。我一般会在脚本末尾加一行输出分类准确率，方便和上一次结果对比。从那以后，我每次把 Explorer 里调通的参数往脚本里搬，都会先在小样本上跑通再上全量，这个习惯帮我省掉了不少“参数看着对、结果就是不对”的排查时间。希望这些步骤能帮到你，把手里那份 CSV 真正跑出点结论来。

本文还有配套的精品资源，点击获取