# Z-Score Normalisierer Numerische Daten mit Z-Score Standardisierung normalisieren für Mittelwert=0 und Standardabweichung=1. Perfekt für statistische Analyse, Machine Learning Vorverarbeitung. > Kanonische Seite: https://elysiatools.com/de/tools/data-zscore-normalizer - **Kategorie:** Data Processing - **Schlagwörter:** z-score, normalisierung, statistik, machine learning, ausreißererkennung ## Überblick Der Z-Score Normalisierer transformiert Ihre numerischen Datensätze präzise, indem er Werte auf einen Mittelwert von 0 und eine Standardabweichung von 1 skaliert, um sie für statistische Analysen oder Machine-Learning-Modelle vergleichbar zu machen. ## Eingaben - **CSV-Daten** (textarea): name,age,salary,score Alice,25,50000,85.5 Bob,30,75000,92.3 Charlie,35,120000,78.9 - **Zielspalten** (textarea): age, salary or name, email Leave empty to auto-detect numeric columns - **Standardisierungstyp** (select) - **Ausgabebereich (Optional)** (text): Optional: Scale standardized values to target range. Leave empty for standard z-score output. - **Fehlende Werte Behandeln** (select) - **Originale Spalten Erhalten** (checkbox) - **Dezimalstellen** (number) - **Statistiken Einbeziehen** (checkbox) - **Ausreißer Erkennen** (checkbox) - **Ausreißer-Schwelle (StdAbw)** (number): Values beyond this many standard deviations will be flagged as outliers ## Wann verwenden - Wenn Sie Daten mit unterschiedlichen Skalen für Machine-Learning-Algorithmen vergleichbar machen müssen. - Zur Identifizierung von Ausreißern in großen Datensätzen durch statistische Schwellenwerte. - Wenn Sie statistische Hypothesentests durchführen, die normalverteilte Daten voraussetzen. ## Funktionsweise - Laden Sie Ihre CSV-Daten in das Eingabefeld hoch oder fügen Sie diese direkt ein. - Wählen Sie die Zielspalten aus oder lassen Sie das Tool automatisch alle numerischen Spalten erkennen. - Konfigurieren Sie bei Bedarf die Behandlung fehlender Werte und wählen Sie zwischen Standard- oder robustem Z-Score. - Starten Sie die Berechnung, um die normalisierten Daten sowie eine statistische Zusammenfassung zu erhalten. ## Anwendungsfälle - Vorbereitung von Features für Machine-Learning-Modelle wie lineare Regression oder neuronale Netze. - Vergleich von Kennzahlen mit unterschiedlichen Einheiten, wie z. B. Alter und Einkommen. - Automatisierte Erkennung und Filterung von Anomalien in Finanz- oder Sensordaten. ## Häufig gestellte Fragen ### Was ist der Unterschied zwischen Z-Score und robustem Z-Score? Der Standard Z-Score nutzt Mittelwert und Standardabweichung, während der robuste Z-Score auf Median und Median Absolute Deviation (MAD) basiert, was ihn unempfindlicher gegenüber Ausreißern macht. ### Wie werden fehlende Werte behandelt? Sie können wählen, ob Zeilen mit fehlenden Werten übersprungen werden oder ob diese durch den Mittelwert, Median, Modus oder Null ersetzt werden sollen. ### Kann ich die Originalspalten behalten? Ja, aktivieren Sie einfach die Option 'Originale Spalten Erhalten', um die transformierten Werte zusätzlich zu Ihren ursprünglichen Daten in der Ergebnistabelle zu sehen. ### Wie erkennt das Tool Ausreißer? Das Tool markiert Werte als Ausreißer, wenn sie die definierte Standardabweichungs-Schwelle (Standardwert: 2) über- oder unterschreiten. ### Ist das Tool für große Datensätze geeignet? Ja, das Tool ist für die effiziente Verarbeitung numerischer Tabellendaten optimiert und liefert präzise Ergebnisse für statistische Vorverarbeitungsschritte. ## Ähnliche Tools - [Daten-Grenzverarbeiter](https://elysiatools.com/de/tools/data-boundary-processor): Erweitertes Grenzwertverarbeitungswerkzeug zur Identifizierung und Handhabung von Minimum- und Maximumwerten in numerischen Daten. Perfekt für Datenvalidierung, Bereichsprüfung, statistische Analyse und Datenvorverarbeitung. - [CSV-Deduplizierer](https://elysiatools.com/de/tools/data-deduplicator): Entfernt doppelte Zeilen basierend auf Spaltenkombinationen - [Datenbereichs-Begrenzer](https://elysiatools.com/de/tools/data-range-limiter): Numerische Werte auf angegebene Bereiche begrenzen durch Clipping, Filtern oder Markieren von Werten außerhalb des Bereichs. Perfekt für Datenqualitätskontrolle. - [Doppelte-Spalten-Entferner](https://elysiatools.com/de/tools/duplicate-column-remover): Entfernen Sie doppelte Spalten aus CSV-Daten mit flexiblen Erkennungsstrategien. Perfekt zum Bereinigen von Datensätzen, Entfernen redundanter Informationen und Optimieren der Datenstruktur. - [BOM-Zeichen-Entferner](https://elysiatools.com/de/tools/data-bom-remover): BOM (Byte Order Mark) Zeichen aus Text- und Dateiinhalten entfernen. Perfekt zum Bereinigen von Textdateien mit Codierungsproblemen. - [Ausreißer-Prozessor](https://elysiatools.com/de/tools/data-outlier-processor): Fortgeschrittene Ausreißer-Erkennung und -Verarbeitungswerkzeug, das anomale Werte mit mehreren statistischen Methoden identifiziert, entfernt oder ersetzt. - [Header-Entferner](https://elysiatools.com/de/tools/header-remover): Header aus CSV-Daten entfernen, um saubere Header-lose Dateien zu erstellen. Perfekt für Datenbankimporte, Datenverarbeitungs-Pipelines. - [Datenbereiniger](https://elysiatools.com/de/tools/data-cleaner): Daten bereinigen und standardisieren durch Korrektur von Rechtschreibfehlern, Standardisierung von Formaten, Entfernung von Duplikaten und Füllen von fehlenden Werten ## Beispiele - [CSV Beispiele](https://elysiatools.com/de/samples/csv-samples): CSV-Beispieldateien mit verschiedenen Datentypen, Größen und Komplexitätsstufen - [Python Beispiele](https://elysiatools.com/de/samples/python): Python Code-Beispiele und Hello World Demonstrationen - [Windows Zeichenkettenverarbeitung - C# Beispiele](https://elysiatools.com/de/samples/windows-string-processing-csharp): Umfassende C# Zeichenkettenverarbeitungsbeispiele für Windows-Plattform einschließlich Manipulation, Aufteilung, Verknüpfung, reguläre Ausdrücke und Textanalyse - [Apache Spark Beispiele](https://elysiatools.com/de/samples/apache-spark): Apache Spark Big-Data-Verarbeitungs-Framework mit PySpark-Beispielen, DataFrames, SQL und Machine-Learning-Operationen