Kategorien

← View All Tools

Z-Score Normalisierer

Numerische Daten mit Z-Score Standardisierung normalisieren für Mittelwert=0 und Standardabweichung=1. Perfekt für statistische Analyse, Machine Learning Vorverarbeitung.

Optional: Scale standardized values to target range. Leave empty for standard z-score output.

Values beyond this many standard deviations will be flagged as outliers

Wichtige Fakten

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

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.

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.

So funktioniert es

  • •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.

Beispiele

1. Vorbereitung von Kundendaten für Clustering

Datenanalyst
Hintergrund
Ein Datensatz enthält Kundenalter und jährliches Einkommen in völlig unterschiedlichen Wertebereichen.
Problem
Die unterschiedlichen Skalen führen dazu, dass das Einkommen die Distanzberechnung im Clustering-Algorithmus dominiert.
Verwendung
CSV-Daten einfügen, 'age' und 'salary' als Zielspalten wählen und Z-Score Standardisierung anwenden.
Beispielkonfiguration
standardizationType: zscore, targetColumns: age, salary
Ergebnis
Beide Merkmale haben nun einen Mittelwert von 0 und eine Standardabweichung von 1, was eine faire Gewichtung im Algorithmus ermöglicht.

2. Ausreißer-Detektion in Sensordaten

Ingenieur
Hintergrund
Ein Sensor liefert kontinuierlich Temperaturwerte, wobei gelegentlich fehlerhafte Messspitzen auftreten.
Problem
Manuelle Suche nach Messfehlern in tausenden Zeilen ist ineffizient.
Verwendung
Sensordaten hochladen, 'Ausreißer Erkennen' aktivieren und Schwelle auf 3 Standardabweichungen setzen.
Beispielkonfiguration
detectOutliers: true, outlierThreshold: 3
Ergebnis
Das Tool identifiziert und markiert automatisch alle Messwerte, die mehr als 3 Standardabweichungen vom Mittelwert abweichen.

Mit Samples testen

csv, video, barcode
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
Python Beispiele
Python Code-Beispiele und Hello World Demonstrationen
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.
Barcode-Convert-Tools
Entdecken Sie 6 barcode-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.

FAQ

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.

API-Dokumentation

Request-Endpunkt

POST /de/api/tools/data-zscore-normalizer

Request-Parameter

Parameter-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 -
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

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-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://elysiatools.com/mcp/sse?toolId=data-zscore-normalizer",
      "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]