Catégories

← View All Tools

Normalisateur Z-Score

Normaliser les données numériques avec Z-score pour moyenne=0 et écart-type=1. Parfait pour l'analyse statistique, le prétraitement machine learning.

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

Points clés

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

Vue d’ensemble

Le Normalisateur Z-Score est un outil puissant conçu pour transformer vos données numériques en une échelle standardisée, avec une moyenne de 0 et un écart-type de 1. Il est essentiel pour préparer vos jeux de données au machine learning, faciliter les analyses statistiques comparatives et identifier efficacement les valeurs aberrantes au sein de vos séries de mesures.

Quand l’utiliser

  • •Avant d'entraîner des modèles de machine learning sensibles à l'échelle des données.
  • •Pour comparer des variables exprimées dans des unités de mesure différentes.
  • •Pour détecter et isoler statistiquement les valeurs aberrantes dans un ensemble de données.

Comment ça marche

  • •Copiez-collez vos données au format CSV dans la zone de saisie prévue.
  • •Sélectionnez les colonnes cibles ou laissez l'outil détecter automatiquement les données numériques.
  • •Choisissez votre méthode de standardisation (Z-Score classique ou robuste) et configurez le traitement des valeurs manquantes.
  • •Lancez le calcul pour obtenir vos données normalisées accompagnées d'un rapport statistique complet.

Cas d’usage

Préparation de caractéristiques (features) pour des algorithmes de clustering ou de régression.
Normalisation de scores issus de tests ou d'évaluations ayant des échelles disparates.
Nettoyage de données financières ou scientifiques pour éliminer les biais liés aux échelles de grandeur.

Exemples

1. Standardisation pour Machine Learning

Data Scientist
Contexte
Un modèle de régression doit être entraîné sur des données de salaires et d'âges, dont les échelles diffèrent radicalement.
Problème
Les disparités d'échelle empêchent le modèle de converger correctement.
Comment l’utiliser
Coller le CSV, sélectionner les colonnes 'age' et 'salary', choisir 'Z-Score' et définir 4 décimales.
Configuration d’exemple
standardizationType: zscore, decimalPlaces: 4
Résultat
Les données sont ramenées à une moyenne de 0 et un écart-type de 1, permettant une convergence rapide du modèle.

2. Détection d'anomalies dans des mesures

Analyste Qualité
Contexte
Une série de mesures de production contient des variations normales et quelques erreurs de capteur extrêmes.
Problème
Identifier rapidement les mesures qui s'écartent trop de la norme.
Comment l’utiliser
Charger les mesures, activer 'Détecter les valeurs aberrantes' avec un seuil de 2.5.
Configuration d’exemple
detectOutliers: true, outlierThreshold: 2.5
Résultat
Les mesures dépassant 2.5 écarts-types sont signalées, permettant de filtrer les erreurs de capteur.

Tester avec des échantillons

csv, video, barcode
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
Exemples Python
Exemples de code Python et démonstrations Hello World
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 Barcode pour Convert
Découvrez 6 outils barcode 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.

FAQ

Qu'est-ce que le Z-Score ?

Le Z-Score indique de combien d'écarts-types un point de données s'éloigne de la moyenne de l'ensemble.

Quelle est la différence entre Z-Score et Z-Score Robuste ?

Le Z-Score classique utilise la moyenne et l'écart-type, tandis que le Z-Score robuste utilise la médiane et l'écart absolu à la médiane (MAD), ce qui le rend moins sensible aux valeurs extrêmes.

Que deviennent les valeurs manquantes ?

Vous pouvez choisir de les ignorer, ou de les remplacer automatiquement par la moyenne, la médiane, le mode ou zéro.

Puis-je conserver mes colonnes non numériques ?

Oui, l'option 'Conserver les colonnes originales' permet de garder vos données textuelles ou catégorielles intactes dans le résultat final.

Comment l'outil détecte-t-il les valeurs aberrantes ?

L'outil marque les valeurs dépassant le seuil d'écarts-types que vous avez défini, facilitant ainsi leur identification rapide.

Documentation de l'API

Point de terminaison de la requête

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

Paramètres de la requête

Nom du paramètre Type Requis Description
inputData textarea Oui -
targetColumns textarea Non -
standardizationType select Non -
outputRange text Non Optional: Scale standardized values to target range. Leave empty for standard z-score output.
handleMissing select Non -
preserveOriginal checkbox Non -
decimalPlaces number Non -
includeStatistics checkbox Non -
detectOutliers checkbox Non -
outlierThreshold number Non Values beyond this many standard deviations will be flagged as outliers

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-zscore-normalizer": {
      "name": "data-zscore-normalizer",
      "description": "Normaliser les données numériques avec Z-score pour moyenne=0 et écart-type=1. Parfait pour l'analyse statistique, le prétraitement machine learning.",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=data-zscore-normalizer",
      "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]