Data Processing
Numerische Daten mit Z-Score Standardisierung normalisieren für Mittelwert=0 und Standardabweichung=1. Perfekt für statistische Analyse, Machine Learning Vorverarbeitung.
Rufen Sie dieses Werkzeug aus Ihrem Code in drei Sprachen auf.
curl -X POST 'https://api.elysiatools.com/de/api/tools/data-zscore-normalizer' \
-H 'Content-Type: application/json' \
-d '{"inputData":"name,age,salary,score\nAlice,25,50000,85.5\nBob,30,75000,92.3\nCharlie,35,120000,78.9","targetColumns":"age, salary or name, email\n\nLeave empty to auto-detect numeric columns","standardizationType":"zscore","outputRange":"0, 1","handleMissing":"skip","preserveOriginal":false,"decimalPlaces":4,"includeStatistics":true,"detectOutliers":true,"outlierThreshold":2}'Senden Sie eine POST-Anfrage mit Ihren Eingaben als JSON. Dateiparameter erfordern einen vorherigen Upload.
POST https://api.elysiatools.com/de/api/tools/data-zscore-normalizer| Name | Typ | Erforderlich | Beschreibung |
|---|---|---|---|
| inputData | textarea | Ja | — |
| targetColumns | textarea | Nein | — |
| standardizationType | select | Nein | — |
| outputRange | text | Nein | Optional: Scale standardized values to target range. Leave empty for standard z-score output. |
| handleMissing | select | Nein |
Fügen Sie dieses Werkzeug Ihrem Model-Context-Protocol-Server hinzu, damit KI-Agenten es auflisten und aufrufen können.
Fügen Sie diesen Block Ihrer MCP-Client-Konfiguration hinzu:
{
"mcpServers": {
"elysiatools-data-zscore-normalizer": {
"name": "data-zscore-normalizer",
"description": "Numerische Daten mit Z-Score Standardisierung normalisieren für Mittelwert=0 und Standardabweichung=1. Perfekt für statistische Analyse, Machine Learning Vorverarbeitung.",
"baseUrl": "https://api.elysiatools.com/mcp/sse?toolId=data-zscore-normalizer",
"command": "",
"args": [],
"env": {},
"isActive": true,
"type": "sse"
}
}
}Nach dem Verbinden mit dem SSE-Endpunkt listen Sie die bereitgestellten Werkzeuge auf:
{
"jsonrpc": "2.0",
"id": 1,
"method": "tools/list"
}Rufen Sie das Werkzeug über seine ID auf; Argumente werden aus seiner Parameterliste gebildet:
{
"jsonrpc": "2.0",
"id": 2,
"method": "tools/call",
"params": {
"name": "data-zscore-normalizer",
"arguments": {
"inputData": "name,age,salary,score\nAlice,25,50000,85.5\nBob,30,75000,92.3\nCharlie,35,120000,78.9",
"targetColumns": "age, salary or name, email\n\nLeave empty to auto-detect numeric columns",
"standardizationType": "zscore",
"outputRange": "0, 1",
"handleMissing": "skip",
"preserveOriginal": false,
"decimalPlaces": 4,
"includeStatistics": true,
"detectOutliers": true,
"outlierThreshold": 2
}
}
}| — |
| preserveOriginal | checkbox | Nein | — |
| decimalPlaces | number | Nein | — |
| includeStatistics | checkbox | Nein | — |
| detectOutliers | checkbox | Nein | — |
| outlierThreshold | number | Nein | Values beyond this many standard deviations will be flagged as outliers |
Textergebnis
{
"result": "Processed text content",
"error": "Error message (optional)",
"message": "Notification message (optional)",
"metadata": {
"key": "value"
}
}Fragen oder Probleme? Kontakt: [email protected]