weka在使用稀疏arff格式保存经stringtowordvector处理后的数据时，会省略首项（即索引为0）的标称类值（如"positive"），这是格式规范所致，并非标签丢失。
weka在使用稀疏arff格式保存经stringtowordvector处理后的数据时，会省略首项（即索引为0）的标称类值（如"positive"），这是格式规范所致，并非标签丢失。
在Weka中进行文本分类（如情感分析）时，StringToWordVector过滤器将文本属性转换为词频向量，输出默认采用稀疏ARFF格式（Sparse ARFF）。该格式的核心设计目标是高效存储高维稀疏数据——即绝大多数特征值为0的向量。为节省空间，稀疏ARFF仅显式记录非零值及其索引，而对缺失索引位置默认视为0。
关键点在于：类别属性（class attribute）在稀疏表示中同样遵循此规则。Weka将标称类值按声明顺序编号，例如：
@attribute classValues {Positive,Negative,Neutral,'Very positive','Very negative'}对应内部索引为：
0 → "Positive"，1 → "Negative"，2 → "Neutral"，3 → "Very positive"，4 → "Very negative"
在稀疏数据行中：
- {0 Negative, 22 1, 169 1} 表示：索引0处值为"Negative"（即类别=Negative），其余非零特征位于索引22、169等；
- {22 1, 169 1, 272 1} 表示：索引0处无显式赋值 → 默认为第一个类别值 "Positive"（因为索引0未出现，等价于 0 Positive 被省略）；
- {0 Neutral, ...} 则明确指定类别为"Neutral"（索引2），但因索引0被占用，实际表示的是 classIndex=2 对应的值。
✅ 因此，你观察到的 {22 1, 169 1, ...} 这类无前缀的行，恰恰代表样本类别为 "Positive" —— 它不是丢失了，而是被稀疏格式隐式编码了。
? 验证方法：可强制输出为稠密ARFF以直观查看所有类别。在代码中添加：
// 在保存前设置为稠密格式 filteredData.setRelationName("SentimentAnalysis-Tokenized-Dense"); // 或使用ArffSaver的setWriteMode方法（若版本支持）
⚠️ 注意事项：
- 不要手动修改稀疏ARFF文件试图“补全”0 Positive，这会破坏格式合法性；
- 训练模型（如NaiveBayes、J48）完全兼容稀疏格式，类别信息完整无损；
- 若需人工检查，建议用Weka Explorer打开.arff文件，其GUI会正确解析并显示所有类别；
- StringToWordVector的-prune-rate -1.0参数有误（应为正数或0），建议改为-prune-rate 0.0禁用剪枝，避免意外丢弃低频词影响特征完整性。
总结：所谓“Missing labels”是稀疏ARFF的语义特性，而非数据错误。理解索引映射与稀疏约定后，即可准确解读每行数据的真实类别归属——{...}开头即 "Positive"，{0 X} 表示类别为X（其中X为classValues中第0个之后的值）。
