Kategorien

← View All Tools

Ausreißer-Prozessor

Fortgeschrittene Ausreißer-Erkennung und -Verarbeitungswerkzeug, das anomale Werte mit mehreren statistischen Methoden identifiziert, entfernt oder ersetzt.

Sensitivity threshold for outlier detection. Lower values detect more outliers.

Spalten hinzufügen, um erkannte Ausreißer zu markieren

Automatically find optimal threshold based on data distribution

Wichtige Fakten

Kategorie
Data Processing
Eingabetypen
textarea, select, number, checkbox
Ausgabetyp
text
Sample-Abdeckung
4
API verfügbar
Yes

Überblick

Der Ausreißer-Prozessor ist ein leistungsstarkes Werkzeug zur Identifizierung und Bereinigung anomaler Werte in Ihren Datensätzen. Durch den Einsatz bewährter statistischer Methoden wie IQR, Z-Score oder Isolation Forest hilft Ihnen das Tool dabei, Datenqualität zu sichern und Verzerrungen in Ihren Analysen zu vermeiden.

Wann verwenden

  • •Vor der Durchführung statistischer Analysen, um die Genauigkeit der Ergebnisse zu gewährleisten.
  • •Bei der Vorbereitung von Datensätzen für Machine-Learning-Modelle, um Rauschen zu reduzieren.
  • •Zur Bereinigung von Sensordaten oder Finanzberichten, in denen extreme Ausreißer auf Fehler hindeuten könnten.

So funktioniert es

  • •Laden Sie Ihre CSV-Daten in das Eingabefeld hoch und wählen Sie optional die zu prüfenden Spalten aus.
  • •Wählen Sie eine statistische Erkennungsmethode (z. B. IQR oder Z-Score) und legen Sie die Empfindlichkeit fest.
  • •Bestimmen Sie die Behandlungsstrategie, um Ausreißer entweder zu entfernen, durch Mittelwerte zu ersetzen oder zu begrenzen.
  • •Starten Sie den Prozess und laden Sie die bereinigten Daten inklusive optionaler Statistiken herunter.

Anwendungsfälle

Bereinigung von Sensordaten zur Vermeidung von Fehlalarmen durch Messfehler.
Aufbereitung von Finanzdaten, um extreme Marktschwankungen von regulären Transaktionen zu trennen.
Optimierung von Trainingsdaten für KI-Modelle durch Entfernung statistischer Anomalien.

Beispiele

1. Bereinigung von Sensordaten

Datenanalyst
Hintergrund
Ein IoT-Sensor liefert kontinuierlich Temperaturdaten, weist jedoch gelegentlich extreme Fehlmessungen auf.
Problem
Die Fehlmessungen verfälschen den Durchschnittswert der täglichen Temperaturaufzeichnungen.
Verwendung
CSV-Daten hochladen, 'Z-Score-Methode' wählen und die Strategie auf 'Ersetzen' mit 'Median' setzen.
Beispielkonfiguration
detectionMethod: zscore, handlingStrategy: replace, replacementMethod: median
Ergebnis
Die extremen Ausreißer wurden durch den Median ersetzt, wodurch der Durchschnittswert nun die tatsächliche Temperatur korrekt widerspiegelt.

2. Vorbereitung von Verkaufsdaten

Business Intelligence Manager
Hintergrund
Ein Datensatz enthält monatliche Verkaufszahlen, die durch einige wenige, extrem hohe Sonderverkäufe verzerrt sind.
Problem
Die Ausreißer erschweren die Prognose für das reguläre monatliche Geschäft.
Verwendung
IQR-Methode anwenden und die Strategie 'Mark' wählen, um die Ausreißer für eine manuelle Prüfung zu kennzeichnen.
Beispielkonfiguration
detectionMethod: iqr, handlingStrategy: mark, markOutliers: true
Ergebnis
Die Ausreißer wurden in einer neuen Spalte markiert, sodass der Analyst entscheiden kann, welche Sonderverkäufe für die Prognose ignoriert werden sollen.

Mit Samples testen

csv, video, qr
Regex-Ersetzungsbeispiele
Sammlung häufiger und nützlicher Regex-Ersetzungsmuster für Texttransformation und Datenbereinigung
preferred input family csv
csv
Beispiele für Doppelte Zeilen
Beispieldateien mit verschiedenen Arten doppelter Zeilen zum Testen von Tools zum Entfernen von Duplikaten
preferred input family csv
csv
CSV Beispiele
CSV-Beispieldateien mit verschiedenen Datentypen, Größen und Komplexitätsstufen
preferred input family csv
csv
Windows Zeichenkettenverarbeitung - C# Beispiele
Umfassende C# Zeichenkettenverarbeitungsbeispiele für Windows-Plattform einschließlich Manipulation, Aufteilung, Verknüpfung, reguläre Ausdrücke und Textanalyse
preferred input family csv
csv

Verwandte Hubs

Csv-Convert-Tools
Entdecken Sie 37 csv-Tools für convert-Workflows und vergleichen Sie ähnliche Utilities schnell.
Video-Convert-Tools
Entdecken Sie 36 video-Tools für convert-Workflows und vergleichen Sie ähnliche Utilities schnell.
Video-Tools
Entdecken Sie 16 video-Tools für utility-Workflows und vergleichen Sie ähnliche Utilities schnell.
Csv-Tools
Entdecken Sie 9 csv-Tools für utility-Workflows und vergleichen Sie ähnliche Utilities schnell.

FAQ

Welche Methoden zur Erkennung werden unterstützt?

Das Tool unterstützt IQR (Interquartilsabstand), Z-Score, Modified Z-Score, Simple Range und Isolation Forest.

Was passiert, wenn ich 'Ersetzen' als Strategie wähle?

Ausreißer werden durch statistische Werte wie den Mittelwert, Median, Modus oder mittels linearer Interpolation ersetzt.

Kann ich die Originaldaten beibehalten?

Ja, Sie können die Option 'Originale Spalten erhalten' aktivieren, um die ursprünglichen Werte neben den bereinigten Daten zu speichern.

Wie funktioniert die 'Cap'-Strategie?

Bei der Cap-Strategie werden Werte, die außerhalb der definierten Grenzen liegen, auf den jeweiligen Grenzwert (Minimum oder Maximum) gesetzt.

Ist das Tool für große Datensätze geeignet?

Ja, der Ausreißer-Prozessor ist für die effiziente Verarbeitung von CSV-Daten optimiert und unterstützt auch komplexe statistische Berechnungen.

API-Dokumentation

Request-Endpunkt

POST /de/api/tools/data-outlier-processor

Request-Parameter

Parameter-Name Typ Erforderlich Beschreibung
inputData textarea Ja -
targetColumns textarea Nein -
detectionMethod select Nein -
threshold number Nein Sensitivity threshold for outlier detection. Lower values detect more outliers.
handlingStrategy select Nein -
replacementMethod select Nein -
preserveOriginal checkbox Nein -
markOutliers checkbox Nein Spalten hinzufügen, um erkannte Ausreißer zu markieren
includeStatistics checkbox Nein -
autoThreshold checkbox Nein Automatically find optimal threshold based on data distribution
sensitivity select Nein -

Antwortformat

{
  "result": "Processed text content",
  "error": "Error message (optional)",
  "message": "Notification message (optional)",
  "metadata": {
    "key": "value"
  }
}
Text: Text

MCP-Dokumentation

Fügen Sie dieses Tool zu Ihrer MCP-Server-Konfiguration hinzu: 

{
  "mcpServers": {
    "elysiatools-data-outlier-processor": {
      "name": "data-outlier-processor",
      "description": "Fortgeschrittene Ausreißer-Erkennung und -Verarbeitungswerkzeug, das anomale Werte mit mehreren statistischen Methoden identifiziert, entfernt oder ersetzt.",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=data-outlier-processor",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Sie können mehrere Tools verketten, z.B.: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, maximal 20 Tools.

Wenn Sie auf Probleme stoßen, kontaktieren Sie uns bitte bei [email protected]