weka数据挖掘拾遗(一)---- 生成Arff格式文件
一、什么是arff格式文件
1、arff是Attribute-Relation File Format缩写,从英文字面也能大概看出什么意思。它是weka数据挖掘开源程序使用的一种文件模式。由于weka是个很出色的数据挖掘开源项目,所以使用的比较广,这也无形中推广了它的数据存储格式。
2、下面是weka自带的一个arff文件例子(weather.arff)
1 @relation weather 2 3 @attribute outlook {sunny, overcast, rainy} 4 @attribute temperature real 5 @attribute humidity real 6 @attribute windy {TRUE, FALSE} 7 @attribute play {yes, no} 8 9 @data 10 sunny,85,85,FALSE,no 11 sunny,80,90,TRUE,no 12 overcast,83,86,FALSE,yes 13 rainy,70,96,FALSE,yes 14 rainy,68,80,FALSE,yes 15 rainy,65,70,TRUE,no 16 overcast,64,65,TRUE,yes 17 sunny,72,95,FALSE,no 18 sunny,69,70,FALSE,yes 19 rainy,75,80,FALSE,yes 20 sunny,75,70,TRUE,yes 21 overcast,72,90,TRUE,yes 22 overcast,81,75,FALSE,yes 23 rainy,71,91,TRUE,no
a) 第1行,是关系名称,这个自己随便起,不过写的最好要有意义。
b) 第3~7行是特征列表,其中第1列是特征说明,不可缺少,第2列是特征名称,第3列是特征类型或特征取值范围。
c) @data(第9行)是数据域说明,在它下面的全是数据。其中每一行体表一条数据。
d) 例子中给出的数据域是最基本的表示方法,实际应用中,一般都是用稀疏表示法。
e) 此处对于arff文件格式不做进一步解释,不懂的地方可以给我留言。
二、总体思路
1、生成特征文件
2、文件格式转换
三、具体实现
1、特征的生成
这里假设我们已经生成了特征。(因为特征选择我会另写一篇文章单独介绍)
2、arff文件生成
a) 生成文件的接口
1 package com.lvxinjian.alg.models.generatefile; 2 3 /** 4 * @Descriptin : 生成指定格式文件的接口 5 * @author :Lv Xinjian 6 * 7 */ 8 public interface GenerateFile { 9 /** 10 * @function 生成文件 11 * @param obj 输入数据 12 * @param option 参数 13 * @return 是否生成成功 14 */ 15 abstract public boolean GenerFile(Object obj , String option); 16 }
b) 生成arff的主文件
1 package com.lvxinjian.alg.models.generatefile; 2 3 import java.io.IOException; 4 import java.nio.charset.Charset; 5 import java.util.ArrayList; 6 import java.util.HashSet; 7 import java.util.concurrent.ExecutorService; 8 import java.util.concurrent.Executors; 9 import java.util.concurrent.Future; 10 11 import weka.core.FastVector; 12 import weka.core.Instance; 13 import weka.core.Instances; 14 15 import com.iminer.alg.models.sampling.SVMSampleBean; 16 import com.iminer.alg.models.sampling.SampleBean; 17 import com.iminer.alg.models.sampling.SampleUtils; 18 import com.iminer.tool.common.util.FileTool; 19 20 /** 21 * @Description : 生成arff格式的文件 22 * @author : Lv Xinjian 23 * 24 */ 25 public class GenerateArffFile implements GenerateFile { 26 27 /** 28 * 保存arff文件 29 */ 30 private static Instances data = null; 31 /** 32 * 分类标签 33 */ 34 private ClassifyAttribute classifyAttribute = new ClassifyAttribute(); 35 /** 36 * Instance name 37 */ 38 public final String InstanceName = "MyRelation"; 39 /** 40 * 抽取instance的方法 ,默认为方法一 41 */ 42 private String getInstancesMothed = "one"; 43 /** 44 * 保存转换后的SVM数据 45 */ 46 private ArrayList<SVMSampleBean> listSVMBean = new ArrayList<SVMSampleBean>(); 47 /** 48 * 生成arff文件时使用的词表路径 49 */ 50 private String lexPath = null; 51 /** 52 * 保存arff文件的路径 53 */ 54 private String outputPath = null; 55 /** 56 * 生成arff文件的主函数 57 */ 58 private int threadNum = 5; 59 @Override 60 public boolean GenerFile(Object obj, String option) { 61 String [] paramArray = option.split(" "); 62 return GenerFile(obj,paramArray); 63 } 64 /** 65 * 生成arff文件的主函数 66 */ 67 public boolean GenerFile(Object obj, String [] paramArray) { 68 try { 69 if(!Initialization(obj , paramArray)) 70 return false; 71 GenerateData(); 72 } catch (IOException e) { 73 e.printStackTrace(); 74 return false; 75 } 76 return true; 77 } 78 /** 79 * @function 解析命令行,初始化参数 80 * @param obj 传入的数据 81 * @param paramArrayOfString 命令行 82 * @return 初始化是否生成成功,true:成功 false:失败 83 */ 84 private boolean Initialization(Object obj, String [] paramArrayOfString){ 85 try{ 86 ArrayList<?> list = (ArrayList<?>)obj; 87 for(Object s : list){ 88 listSVMBean.add((SVMSampleBean)s); 89 } 90 //初始化词表路径 91 String lexPath = ParameterUtils.getOption("lexPath", paramArrayOfString); 92 if(lexPath.length() != 0) 93 this.lexPath = lexPath; 94 //初始化arff文件保存路径 95 String outputPath = ParameterUtils.getOption("output", paramArrayOfString); 96 if(outputPath.length() != 0) 97 this.outputPath = outputPath; 98 //初始化instance抽取方法,默认为方法一 99 String getInstanceMothed = ParameterUtils.getOption("mothed", paramArrayOfString); 100 if(getInstanceMothed.length() != 0) 101 this.getInstancesMothed = getInstanceMothed; 102 String threadNum = ParameterUtils.getOption("thread", paramArrayOfString); 103 if(threadNum.length() != 0){ 104 this.threadNum = Integer.parseInt(threadNum); 105 System.out.println("线程数 :" + this.threadNum); 106 }else{ 107 System.out.println("使用默认线程数:5"); 108 } 109 //初始化类别名称,不可省略 110 String className = ParameterUtils.getOption("class", paramArrayOfString); 111 if(className.length() != 0) 112 classifyAttribute.setClassname(className); 113 //初始化类别标签 114 String labels = ParameterUtils.getOption("label", paramArrayOfString); 115 if(labels.length() != 0){ 116 classifyAttribute.setClassLabel(labels.split(",")); 117 } 118 else{ 119 System.out.println("please Initialize classify labels!"); 120 return false; 121 } 122 } 123 catch(Exception e){ 124 e.printStackTrace(); 125 } 126 127 return true; 128 } 129 /** 130 * @function 生成arff的主函数 131 * @throws IOException 132 */ 133 public void GenerateData() throws IOException { 134 ArrayList<String> words = new ArrayList<String>(); 135 FastVector atts = ArffFileUtils.GetAttributes(this.lexPath , words ,this.classifyAttribute ); 136 137 data = new Instances(this.InstanceName, atts, 0); 138 139 ExecutorService service = Executors.newFixedThreadPool(this.threadNum); 140 int count = 0; 141 for (SVMSampleBean it : listSVMBean) { 142 if (count++ % 1000 == 0) 143 System.out.println("processed " + count + " recoreds"); 144 145 //获取类别标签的下标 146 double labelVal = data.attribute(classifyAttribute.getClassname()).indexOfValue(it.getLabel()); 147 148 MyCallableClass task = new MyCallableClass(labelVal, it.getContent(), words ,this.getInstancesMothed); 149 Future is = service.submit(task); 150 try{ 151 if(is.get() != null) 152 data.add((Instance) is.get()); 153 }catch(Exception e){ 154 e.printStackTrace(); 155 } 156 } 157 service.shutdown(); 158 //保存data中的数据 159 ArffFileUtils.savaInstances(data,this.outputPath); 160 //清空data中的数据 161 data.delete(); 162 } 163 /** 164 * @function 165 * @param lstContent 166 * @param lexPath 167 * @param labels 168 * @param outputPath 169 * @return 170 */ 171 public static boolean generateArff(ArrayList<String> lstContent ,String lexPath , String labels, String outputPath){ 172 try{ 173 ArrayList<SampleBean> list = new ArrayList<SampleBean>(); 174 HashSet<String> lstLabel = new HashSet<String>(); 175 for(String str : lstContent){ 176 SVMSampleBean svmBean = new SVMSampleBean(str.replace("\t", SampleUtils.SPECIAL_CHAR)); 177 list.add(svmBean); 178 lstLabel.add(svmBean.label); 179 } 180 if(labels == null){ 181 labels = ""; 182 for(String label : lstLabel){ 183 if(labels != "") 184 labels += ","; 185 labels += label; 186 } 187 } 188 String [] options = new String[]{"-lexPath" , lexPath, 189 "-output" , outputPath, 190 "-mothed" , "one", 191 "-class" , "CLASS", 192 "-label" , labels}; 193 GenerateArffFile genArff =new GenerateArffFile(); 194 genArff.GenerFile(list, options); 195 return true; 196 }catch(Exception e){ 197 e.printStackTrace(); 198 return false; 199 } 200 201 } 202 public static void main(String [] args){ 203 try{ 204 String root = "C:\\Users\\Administrator\\Desktop\\12_05\\模型训练\\1219\\"; 205 ArrayList<SampleBean> list = new ArrayList<SampleBean>(); 206 ArrayList<String> lstContent = FileTool.LoadListFromFile(root + "不重合的部分.23.txt", 0 , Charset.forName("utf8")); 207 for(String str : lstContent){ 208 209 SVMSampleBean svmBean = new SVMSampleBean(str.replace("\t", SampleUtils.SPECIAL_CHAR)); 210 list.add(svmBean); 211 } 212 // DFFeatureSelector selector = new DFFeatureSelector(); 213 // String options = "-maxFeatureNum 1000 -outputPath "+root + "lex.txt"; 214 // selector.selectFeature(list, options); 215 216 // options = "-lexPath "+root +"lex.txt -output genArffTest.arff -mothed one -class CLASS -label -1,1,2"; 217 218 219 String [] options = new String[]{"-lexPath" , root + "temp/temp.lex", 220 "-output" , root + "不重合的部分.23.arff", 221 "-mothed" , "one", 222 "-class" , "CLASS", 223 "-label" , "2,1,-1", 224 "-thread","10"}; 225 GenerateArffFile genArff =new GenerateArffFile(); 226 genArff.GenerFile(list, options); 227 CalcAttributeFromArffFile.calcAttribute(root + "不重合的部分.23.arff" , root + "calc.txt"); 228 }catch(Exception e){ 229 e.printStackTrace(); 230 } 231 232 } 233 }
c) 命令行解析工具
1 package com.lvxinjian.alg.models.generatefile; 2 3 /** 4 * @Description : 抽取参数 5 * @author : Lv Xinjian 6 */ 7 public class ParameterUtils { 8 9 static public void main(String [] args){ 10 String option = "-min 1 -max 100 -w 1.2,1.3 -filter g"; 11 try { 12 boolean r = getFlag("filter", option.split(" ")); 13 System.out.println(r); 14 15 } catch (Exception e) { 16 e.printStackTrace(); 17 } 18 } 19 /** 20 * @function 抽取字符类的布尔型参数 21 * @param flag 字符 22 * @param options 参数数组 23 * @return 24 * @throws Exception 25 */ 26 public static boolean getFlag(char flag, String[] options) throws Exception 27 { 28 return getFlag("" + flag, options); 29 } 30 /** 31 * @function 抽取字符串类的布尔型参数 32 * @param flag 字符 33 * @param options 参数数组 34 * @return 35 * @throws Exception 36 */ 37 public static boolean getFlag(String flag, String[] options) throws Exception 38 { 39 int pos = getOptionPos(flag, options); 40 41 if (pos > -1) { 42 options[pos] = ""; 43 } 44 return (pos > -1); 45 } 46 /** 47 * @function 抽取字符串类的字符串型参数 48 * @param flag 字符串 49 * @param options 参数数组 50 * @return 51 * @throws Exception 52 */ 53 public static String getOption(String flag, String[] options)throws Exception { 54 int i = getOptionPos(flag, options); 55 if (i > -1) { 56 if (options[i].equals("-" + flag)) { 57 if (i + 1 == options.length) { 58 throw new Exception("No value given for -" + flag 59 + " option."); 60 } 61 options[i] = ""; 62 String newString = new String(options[(i + 1)]); 63 options[(i + 1)] = ""; 64 return newString; 65 } 66 if (options[i].charAt(1) == '-') { 67 return ""; 68 } 69 } 70 71 return ""; 72 } 73 /** 74 * @function 抽取字符类的短整型参数 75 * @param flag 字符 76 * @param options 参数数组 77 * @return 78 * @throws Exception 79 */ 80 public static int getOptionPos(char flag, String[] options) 81 { 82 return getOptionPos("" + flag, options); 83 } 84 /** 85 * @function 抽取字符串类的短整型参数 86 * @param flag 字符 87 * @param options 参数数组 88 * @return 89 * @throws Exception 90 */ 91 public static int getOptionPos(String flag, String[] options) { 92 if (options == null) { 93 return -1; 94 } 95 for (int i = 0; i < options.length; ++i) { 96 if ((options[i].length() <= 0) || (options[i].charAt(0) != '-')) 97 continue; 98 try { 99 Double.valueOf(options[i]); 100 } catch (NumberFormatException e) { 101 if (options[i].equals("-" + flag)) { 102 return i; 103 } 104 if (options[i].charAt(1) == '-') { 105 return -1; 106 } 107 } 108 } 109 110 return -1; 111 } 112 /** 113 * @function 把数据转换成字符串 114 * @param array 115 * @param splitPunc 116 * @return 117 */ 118 public static String array2String(String [] array , String splitPunc){ 119 try{ 120 StringBuilder sb = new StringBuilder(); 121 for(String para : array){ 122 if(sb.length() != 0) 123 sb.append(splitPunc); 124 sb.append(para); 125 } 126 return sb.toString(); 127 }catch(Exception e){ 128 e.printStackTrace(); 129 return null; 130 } 131 } 132 public static String [] String2Array(String para , String splitPunc){ 133 try{ 134 return para.split(splitPunc); 135 }catch(Exception e){ 136 e.printStackTrace(); 137 return null; 138 } 139 } 140 /** 141 * @替换字符串中的某个参数 142 * @param para 参数字符串 143 * @param splitPunc 参数分隔符 144 * @param key 参数名称 145 * @param value 新参数值 146 * @return 147 */ 148 public static String replacePara(String para , String splitPunc , String key , String value){ 149 try{ 150 String [] parameter = String2Array(para,splitPunc); 151 replacePara(parameter, key, value); 152 return array2String(parameter, splitPunc); 153 }catch(Exception e){ 154 e.printStackTrace(); 155 return null; 156 } 157 } 158 /** 159 * @function 替换一个参数 160 * @param para 参数数组 161 * @param key 参数名称 162 * @param value 新参数值 163 * @return 164 */ 165 public static String [] replacePara(String [] para , String key , String value){ 166 try{ 167 for(int i = 0 ; i < para.length ; i++){ 168 String paraName = para[i]; 169 if(paraName.contains(key)){ 170 int nextIndex = i + 1; 171 if(nextIndex < para.length){ 172 if(!para[nextIndex].contains("-")) 173 para[nextIndex] = value; 174 } 175 } 176 } 177 return para; 178 }catch(Exception e){ 179 e.printStackTrace(); 180 return null; 181 } 182 } 183 }
d) 生成arff文件的辅助类
1 package com.lvxinjian.alg.models.generatefile; 2 3 import java.io.BufferedWriter; 4 import java.io.FileOutputStream; 5 import java.io.IOException; 6 import java.io.OutputStreamWriter; 7 import java.nio.charset.Charset; 8 import java.util.HashMap; 9 import java.util.List; 10 import java.util.concurrent.Callable; 11 12 import weka.core.Attribute; 13 import weka.core.FastVector; 14 import weka.core.Instance; 15 import weka.core.Instances; 16 import weka.core.SparseInstance; 17 18 import com.iminer.alg.models.getInstance.InstanceFactory; 19 import com.iminer.tool.common.util.FileTool; 20 21 22 /** 23 * @Description : 生成arff文件的工具类 24 * @author : Lv Xinjian 25 */ 26 public class ArffFileUtils { 27 28 /** 29 * @function 生成特征向量 30 * @param lexDataPath 特征文件路径 31 * @param words 保存特征词 32 * @param classifyAttribute 类别特征 33 * @return 特征向量 34 * @throws IOException 文件读取异常 35 */ 36 public static FastVector GetAttributes(String lexDataPath , List<String> words ,ClassifyAttribute classifyAttribute) 37 throws IOException { 38 HashMap<Integer, String> termId_term = FileTool.LoadIdStrFromFile( 39 lexDataPath, 0, 0, 1, "\t", Charset.forName("utf8")); 40 FastVector atts = new FastVector(); 41 // - numeric 42 for (int tid = 0; tid < termId_term.size(); tid++) { 43 atts.addElement(new Attribute(termId_term.get(tid))); 44 words.add(termId_term.get(tid)); 45 } 46 atts.addElement(new Attribute(classifyAttribute.getClassname(), classifyAttribute.getAttClassLabel())); 47 48 System.out.println("atribute size :" + atts.size()); 49 return atts; 50 } 51 /** 52 * @function 保存Arff文件 53 * @param data arff格式的数据 54 * @param outputPath 数据保存路径 55 * @return 56 */ 57 public static boolean savaInstances(Instances data , String outputPath) 58 { 59 try{ 60 BufferedWriter bw = new BufferedWriter(new OutputStreamWriter( 61 new FileOutputStream(outputPath), Charset.forName("utf-8"))); 62 63 bw.write(data.toString()); 64 bw.close(); 65 }catch(Exception e){ 66 e.printStackTrace(); 67 return false; 68 } 69 return true; 70 } 71 } 72 /** 73 * @Description 分类器 类别特征 74 * @author Administrator 75 * 76 */ 77 class ClassifyAttribute{ 78 /** 79 * 分类特征名 , 默认为"CLASS" 80 */ 81 private String classname = "CLASS"; 82 private FastVector attClassLabel = new FastVector(); 83 public ClassifyAttribute(String [] labels){ 84 for(String label: labels){ 85 this.attClassLabel.addElement(label); 86 } 87 } 88 public ClassifyAttribute(){} 89 /** 90 * @function 获取类别特征名 91 * @return 92 */ 93 public String getClassname() { 94 return classname; 95 } 96 /** 97 * @functoin 设置类别特征名 98 * @param classname 99 */ 100 public void setClassname(String classname) { 101 this.classname = classname; 102 } 103 /** 104 * @function 获取类别特征 105 * @return 类别特征 106 */ 107 public FastVector getAttClassLabel() { 108 return attClassLabel; 109 } 110 /** 111 * @function 设置类别特征 112 * @param attClassLabel 113 */ 114 public void setClassLabel(FastVector attClassLabel) { 115 this.attClassLabel = attClassLabel; 116 } 117 /** 118 * @function 设置类别特征分类标签 119 * @param labels 120 */ 121 public void setClassLabel(String [] labels) { 122 for(String label: labels){ 123 this.attClassLabel.addElement(label); 124 } 125 } 126 127 } 128 129 /** 130 * @Description 把字符串转化成 instance实例 131 * @author Administrator 132 * 133 */ 134 class MyCallableClass implements Callable{ 135 /** 136 * 输入的文本 137 */ 138 private String _text; 139 /** 140 * 文本的极性标签 141 */ 142 private double _labelVal; 143 /** 144 * 生成instance的方法 145 */ 146 private String _getInstancesMothed = null; 147 /** 148 * 获取instance方法 的 初始化词表 149 */ 150 private List<String> _set = null; 151 /** 152 * @function 构造函数,初始化参数 153 * @param labelVal 极性类别标签 154 * @param text 输入的文本内容 155 * @param set 获取instance方法 的 初始化词表 156 * @param getInstancesMothed 生成instance的方法 157 */ 158 public MyCallableClass(final double labelVal, String text ,List<String> set ,String getInstancesMothed) 159 { 160 this._text = text; 161 this._labelVal = labelVal; 162 this._getInstancesMothed = getInstancesMothed; 163 this._set = set; 164 165 } 166 public Instance call() throws Exception{ 167 double[] vals; 168 try { 169 //获取instance的double 数组 170 vals = InstanceFactory.getInstance(this._getInstancesMothed, this._set ).getInstanceFromText(this._text ); 171 if (vals != null) { 172 vals[vals.length - 1] = _labelVal; 173 SparseInstance si = new SparseInstance(1.0, vals); 174 return si; 175 } 176 177 } catch (Exception e) { 178 e.printStackTrace(); 179 } 180 return null; 181 182 } 183 }
e) 以上代码缺少了几个类,但由于涉及到公司的保密制度,所以不方便上传。如有疑问,可以给我留言。(其实就是一个生成instance的方法,不过我的方法中揉了些东西进去,方法本身很简单,几行代码的事儿,有空我会补上)
四、小结
1、考虑到抽取instance可能会有不同的需求,所以用了一个工厂类,这样方便 使用和新方法的添加。
2、考虑到效率问题,所以使用了多线程进行生成。
3、代码的结构、风格以及变量命名是硬伤,希望多多批评、指点。