Categorías

← View All Tools

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.

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

Datos clave

Categoría
Data Processing
Tipos de entrada
textarea, select, text, checkbox, number
Tipo de salida
text
Cobertura de muestras
4
API disponible
Yes

Resumen

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.

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.

Ejemplos

1. Preparación de datos para Machine Learning

Científico de datos
Contexto
Un conjunto de datos contiene columnas de 'Edad' (0-100) y 'Salario' (20k-200k). Los modelos de aprendizaje automático se ven sesgados por la mayor magnitud del salario.
Problema
Las diferencias de escala impiden que el modelo converja correctamente.
Cómo usarlo
Subir el archivo CSV, seleccionar las columnas 'Edad' y 'Salario', y aplicar la estandarización Z-Score.
Configuración de ejemplo
standardizationType: zscore, handleMissing: fill_mean
Resultado
Ambas columnas quedan centradas en 0 con una desviación de 1, permitiendo que el modelo trate ambas variables con la misma importancia relativa.

2. Detección de valores atípicos en sensores

Ingeniero de calidad
Contexto
Se monitorea la temperatura de una maquinaria industrial. La mayoría de los datos son estables, pero existen picos erráticos que deben ser identificados.
Problema
Identificar lecturas que se desvían significativamente del comportamiento normal.
Cómo usarlo
Cargar las lecturas del sensor, activar la detección de valores atípicos y establecer el umbral en 2.5 desviaciones estándar.
Configuración de ejemplo
detectOutliers: true, outlierThreshold: 2.5
Resultado
El sistema genera una lista de lecturas marcadas como atípicas, facilitando la inspección técnica de los momentos de falla.

Probar con muestras

csv, video, barcode
Ejemplos de Reemplazo de Regex
Colección de patrones de reemplazo de regex comunes y útiles para transformación de texto y limpieza de datos
preferred input family csv
csv
Ejemplos de Líneas Duplicadas
Archivos de muestra con varios tipos de líneas duplicadas para probar herramientas de eliminación de duplicados
preferred input family csv
csv
Ejemplos CSV
Archivos CSV de muestra con varios tipos de datos, tamaños y niveles de complejidad
preferred input family csv
csv
Ejemplos Python
Ejemplos de código Python y demostraciones Hello World
preferred input family csv
csv

Hubs relacionados

Herramientas de Csv para Convert
Explora 37 herramientas de csv para flujos de convert y encuentra utilidades cercanas con rapidez.
Herramientas de Video para Convert
Explora 36 herramientas de video para flujos de convert y encuentra utilidades cercanas con rapidez.
Herramientas de Barcode para Convert
Explora 6 herramientas de barcode para flujos de convert y encuentra utilidades cercanas con rapidez.
Herramientas de Video
Explora 16 herramientas de video para flujos de utility y encuentra utilidades cercanas con rapidez.

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.

Documentación de la API

Punto final de la solicitud

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

Parámetros de la solicitud

Nombre del parámetro Tipo Requerido Descripción
inputData textarea Sí -
targetColumns textarea No -
standardizationType select No -
outputRange text No Optional: Scale standardized values to target range. Leave empty for standard z-score output.
handleMissing select No -
preserveOriginal checkbox No -
decimalPlaces number No -
includeStatistics checkbox No -
detectOutliers checkbox No -
outlierThreshold number No Values beyond this many standard deviations will be flagged as outliers

Formato de respuesta

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

Documentación de MCP

Agregue este herramienta a su configuración de servidor MCP: 

{
  "mcpServers": {
    "elysiatools-data-zscore-normalizer": {
      "name": "data-zscore-normalizer",
      "description": "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.",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=data-zscore-normalizer",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Puede encadenar múltiples herramientas, por ejemplo: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, máximo 20 herramientas.

Si encuentra algún problema, por favor, póngase en contacto con nosotros en [email protected]