# Normalizador Z-Score Estandarizar datos numéricos usando Z-score para transformar valores con media=0 y desviación estándar=1. Perfecto para análisis estadístico, preprocesamiento de machine learning, detección de valores atípicos. > Página canónica: https://elysiatools.com/es/tools/data-zscore-normalizer - **Categoría:** Data Processing - **Palabras clave:** z-score, estandarización, normalización, estadística, machine learning, detección de valores atípicos ## Descripción general El Normalizador Z-Score es una herramienta esencial para estandarizar datos numéricos, transformándolos para que tengan una media de 0 y una desviación estándar de 1. Este proceso es fundamental para comparar variables con diferentes escalas, preparar conjuntos de datos para modelos de machine learning y realizar análisis estadísticos precisos. ## Entradas - **Datos CSV** (textarea): name,age,salary,score Alice,25,50000,85.5 Bob,30,75000,92.3 Charlie,35,120000,78.9 - **Columnas Objetivo** (textarea): age, salary or name, email Leave empty to auto-detect numeric columns - **Tipo de Estandarización** (select) - **Rango de Salida (Opcional)** (text): Optional: Scale standardized values to target range. Leave empty for standard z-score output. - **Manejar Valores Faltantes** (select) - **Preservar Columnas Originales** (checkbox) - **Decimales** (number) - **Incluir Estadísticas** (checkbox) - **Detectar Valores Atípicos** (checkbox) - **Umbral de Valores Atípicos (Desv Est)** (number): Values beyond this many standard deviations will be flagged as outliers ## Cuándo usarlo - Cuando necesitas comparar variables que utilizan unidades de medida o escalas completamente diferentes. - Al preparar datos para algoritmos de machine learning que son sensibles a la magnitud de las características. - Para identificar valores atípicos (outliers) en un conjunto de datos mediante la desviación estándar. ## Cómo funciona - Carga tus datos en formato CSV en el área de entrada. - Selecciona las columnas que deseas normalizar o deja el campo vacío para la detección automática. - Elige el tipo de estandarización (Z-Score estándar o Robusto) y configura el manejo de valores faltantes. - Ejecuta la herramienta para obtener los datos transformados junto con un resumen estadístico opcional. ## Casos de uso - Preparación de características (feature scaling) para modelos de regresión o redes neuronales. - Análisis estadístico comparativo entre grupos con diferentes rangos numéricos. - Detección y filtrado de anomalías en reportes financieros o sensores industriales. ## Preguntas frecuentes ### ¿Qué es la estandarización Z-Score? Es un método estadístico que ajusta los datos para que tengan una media de 0 y una desviación estándar de 1, facilitando la comparación entre diferentes distribuciones. ### ¿Cuál es la diferencia entre Z-Score estándar y Robusto? El Z-Score estándar usa la media y la desviación estándar, mientras que el Robusto utiliza la mediana y la desviación absoluta de la mediana (MAD), siendo más resistente a valores atípicos. ### ¿Cómo maneja la herramienta los valores faltantes? Puedes optar por omitir las filas con valores faltantes o rellenarlos automáticamente usando la media, mediana, moda o cero. ### ¿Puedo conservar mis columnas originales? Sí, al activar la opción 'Preservar Columnas Originales', el resultado incluirá tanto los datos normalizados como los valores originales. ### ¿Qué hace la función de detección de valores atípicos? Identifica y marca los valores que superan un umbral específico de desviaciones estándar respecto a la media, ayudándote a limpiar tu conjunto de datos. ## Herramientas relacionadas - [Procesador de Límites de Datos](https://elysiatools.com/es/tools/data-boundary-processor): Herramienta avanzada de procesamiento de límites que identifica y maneja valores mínimos y máximos en datos numéricos. Perfecta para validación de datos, verificación de rangos, análisis estadístico y preprocesamiento de datos. - [Eliminador de Duplicados de CSV](https://elysiatools.com/es/tools/data-deduplicator): Eliminar filas duplicadas basadas en combinaciones de columnas - [Limitador de Rango de Datos](https://elysiatools.com/es/tools/data-range-limiter): Limitar valores numéricos a rangos específicos mediante recorte, filtrado o marcado de valores fuera de rango. Perfecto para control de calidad de datos, limpieza de sensores. - [Removedor de Columnas Duplicadas](https://elysiatools.com/es/tools/duplicate-column-remover): Eliminar columnas duplicadas de datos CSV con estrategias de detección flexibles. Perfecto para limpiar conjuntos de datos, eliminar información redundante y optimizar la estructura de datos. - [Removedor de Caracteres BOM](https://elysiatools.com/es/tools/data-bom-remover): Eliminar caracteres BOM (Byte Order Mark) de contenido de texto y archivos. Perfecto para limpiar archivos de texto con problemas de codificación. - [Procesador de Valores Atípicos](https://elysiatools.com/es/tools/data-outlier-processor): Herramienta avanzada de detección y procesamiento de valores atípicos que identifica, elimina o reemplaza valores anómalos usando múltiples métodos estadísticos. - [Removedor de Encabezados](https://elysiatools.com/es/tools/header-remover): Eliminar encabezados de datos CSV para crear archivos limpios sin encabezados. Perfecto para importaciones de bases de datos, tuberías de procesamiento de datos. - [Limpiador de Datos](https://elysiatools.com/es/tools/data-cleaner): Limpiar y estandarizar datos corrigiendo errores de ortografía, estandarizando formatos, eliminando duplicados y llenando valores faltantes ## Ejemplos - [Ejemplos CSV](https://elysiatools.com/es/samples/csv-samples): Archivos CSV de muestra con varios tipos de datos, tamaños y niveles de complejidad - [Ejemplos Python](https://elysiatools.com/es/samples/python): Ejemplos de código Python y demostraciones Hello World - [Procesamiento de Cadenas Windows - Ejemplos C#](https://elysiatools.com/es/samples/windows-string-processing-csharp): Ejemplos completos de procesamiento de cadenas C# para plataforma Windows incluyendo manipulación, división, unión, expresiones regulares y análisis de texto - [Ejemplos de Apache Spark](https://elysiatools.com/es/samples/apache-spark): Framework de procesamiento de big data Apache Spark con ejemplos de PySpark, DataFrames, SQL y operaciones de machine learning