Catégories

← View All Tools

Processeur de Valeurs Aberrantes

Outil avancé de détection et traitement des valeurs aberrantes qui identifie, supprime ou remplace les valeurs anormales en utilisant plusieurs méthodes statistiques.

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

Ajouter des colonnes pour marquer les valeurs détectées comme aberrantes

Automatically find optimal threshold based on data distribution

Points clés

Catégorie
Data Processing
Types d’entrée
textarea, select, number, checkbox
Type de sortie
text
Couverture des échantillons
4
API disponible
Yes

Vue d’ensemble

Le Processeur de Valeurs Aberrantes est un outil d'analyse statistique conçu pour identifier et traiter les données anormales au sein de vos jeux de données numériques. Grâce à des méthodes robustes comme l'IQR, le Z-Score ou l'Isolation Forest, il permet de nettoyer efficacement vos fichiers CSV pour fiabiliser vos analyses et modèles de machine learning.

Quand l’utiliser

  • •Avant de réaliser une analyse statistique pour éviter que des valeurs extrêmes ne faussent vos moyennes.
  • •Lors de la préparation de jeux de données pour l'entraînement de modèles de machine learning.
  • •Pour identifier des erreurs de saisie ou des anomalies dans des relevés de capteurs ou des transactions financières.

Comment ça marche

  • •Importez vos données au format CSV dans l'outil.
  • •Sélectionnez la méthode de détection adaptée à votre distribution (ex: IQR pour les données asymétriques).
  • •Choisissez une stratégie de traitement : supprimer les lignes, remplacer par la médiane/moyenne, ou limiter les valeurs extrêmes.
  • •Exécutez le traitement pour obtenir un fichier nettoyé avec, si souhaité, un marquage des anomalies détectées.

Cas d’usage

Nettoyage de bases de données clients pour supprimer les âges ou revenus incohérents.
Validation de données de capteurs industriels pour isoler les pics de tension anormaux.
Préparation de datasets financiers en remplaçant les montants aberrants par la médiane du secteur.

Exemples

1. Nettoyage de données de capteurs

Ingénieur données
Contexte
Un capteur de température envoie parfois des valeurs aberrantes dues à des interférences électriques.
Problème
Ces pics faussent le calcul de la température moyenne journalière.
Comment l’utiliser
Charger le CSV, sélectionner la méthode 'Modified Z-Score' et choisir la stratégie 'Remplacer' par la 'Médiane'.
Configuration d’exemple
detectionMethod: modified_zscore, handlingStrategy: replace, replacementMethod: median
Résultat
Les pics de température sont lissés, permettant un calcul de moyenne précis sans supprimer les lignes de données.

2. Préparation de dataset marketing

Analyste marketing
Contexte
Un fichier de dépenses clients contient des valeurs extrêmes dues à des erreurs de saisie manuelle.
Problème
Les valeurs aberrantes rendent les segments de clientèle inexploitables.
Comment l’utiliser
Utiliser la méthode IQR avec un seuil de 1.5 et supprimer les lignes contenant des anomalies.
Configuration d’exemple
detectionMethod: iqr, threshold: 1.5, handlingStrategy: remove
Résultat
Un dataset propre, sans valeurs extrêmes, prêt pour une segmentation client fiable.

Tester avec des échantillons

csv, video, qr
Exemples de Remplacement Regex
Collection de modèles de remplacement regex courants et utiles pour la transformation de texte et le nettoyage de données
preferred input family csv
csv
Exemples de Lignes en Double
Fichiers d'échantillon avec divers types de lignes en double pour tester les outils de suppression des doublons
preferred input family csv
csv
Exemples CSV
Fichiers CSV d'exemple avec divers types de données, tailles et niveaux de complexité
preferred input family csv
csv
Traitement de Chaînes Windows - Exemples C#
Exemples complets de traitement de chaînes C# pour plateforme Windows incluant manipulation, division, jonction, expressions régulières et analyse de texte
preferred input family csv
csv

Hubs associés

Outils Csv pour Convert
Découvrez 37 outils csv pour des workflows de convert et comparez rapidement des utilitaires proches.
Outils Video pour Convert
Découvrez 36 outils video pour des workflows de convert et comparez rapidement des utilitaires proches.
Outils Video
Découvrez 16 outils video pour des workflows de utility et comparez rapidement des utilitaires proches.
Outils Csv
Découvrez 9 outils csv pour des workflows de utility et comparez rapidement des utilitaires proches.

FAQ

Quelle méthode de détection choisir ?

La méthode IQR est idéale pour les données non normales, tandis que le Z-Score convient mieux aux distributions suivant une loi normale.

Puis-je conserver mes données originales ?

Oui, vous pouvez activer l'option 'Préserver les colonnes originales' pour comparer vos données sources avec les valeurs traitées.

Que fait l'option 'Cap' ?

L'option 'Cap' remplace les valeurs aberrantes par la borne supérieure ou inférieure définie par la méthode de détection choisie, au lieu de les supprimer.

L'outil gère-t-il plusieurs colonnes à la fois ?

Oui, vous pouvez spécifier plusieurs colonnes cibles ou laisser l'outil détecter automatiquement toutes les colonnes numériques.

Comment fonctionne le marquage des valeurs ?

Si vous activez 'Marquer les valeurs aberrantes', l'outil ajoute une colonne supplémentaire indiquant par un booléen si la ligne contient une anomalie.

Documentation de l'API

Point de terminaison de la requête

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

Paramètres de la requête

Nom du paramètre Type Requis Description
inputData textarea Oui -
targetColumns textarea Non -
detectionMethod select Non -
threshold number Non Sensitivity threshold for outlier detection. Lower values detect more outliers.
handlingStrategy select Non -
replacementMethod select Non -
preserveOriginal checkbox Non -
markOutliers checkbox Non Ajouter des colonnes pour marquer les valeurs détectées comme aberrantes
includeStatistics checkbox Non -
autoThreshold checkbox Non Automatically find optimal threshold based on data distribution
sensitivity select Non -

Format de réponse

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

Documentation de MCP

Ajoutez cet outil à votre configuration de serveur MCP: 

{
  "mcpServers": {
    "elysiatools-data-outlier-processor": {
      "name": "data-outlier-processor",
      "description": "Outil avancé de détection et traitement des valeurs aberrantes qui identifie, supprime ou remplace les valeurs anormales en utilisant plusieurs méthodes statistiques.",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=data-outlier-processor",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Vous pouvez chaîner plusieurs outils, par ex.: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, max 20 outils.

Si vous rencontrez des problèmes, veuillez nous contacter à [email protected]