Data Processing
Normalizar dados numéricos usando Z-Score (pontuação padrão) para transformar valores com média=0 e desvio padrão=1. Perfeito para análise estatística, pré-processamento de machine learning, detecção de anomalias e comparação de dados em diferentes escalas. Recursos: - Normalização Z-Score (média=0, desvio padrão=1) - Opção de Z-Score Robusto (usando mediana e MAD) - Escalonamento personalizado para faixa alvo - Seleção de múltiplas colunas - Detecção automática de tipo de dados - Processamento inteligente de valores ausentes - Preservação de colunas não numéricas - Resumo estatístico abrangente - Detecção e relatório de anomalias Casos de Uso Comuns: - Preparação de características para machine learning - Testes de hipóteses estatísticas - Detecção e remoção de anomalias - Comparação de dados em diferentes unidades - Pré-processamento para Análise de Componentes Principais (PCA)
Chame esta ferramenta a partir do seu código em três idiomas.
curl -X POST 'https://api.elysiatools.com/pt/api/tools/data-zscore-normalizer' \
-H 'Content-Type: application/json' \
-d '{"inputData":"name,age,salary,score\nAlice,25,50000,85.5\nBob,30,75000,92.3\nCharlie,35,120000,78.9","targetColumns":"idade, salário ou nome, email\n\nDeixe em branco para detectar automaticamente colunas numéricas","standardizationType":"zscore","outputRange":"0, 1","handleMissing":"skip","preserveOriginal":false,"decimalPlaces":4,"includeStatistics":true,"detectOutliers":true,"outlierThreshold":2}'Envie uma requisição POST com suas entradas em JSON. Parâmetros do tipo arquivo exigem upload prévio.
POST https://api.elysiatools.com/pt/api/tools/data-zscore-normalizer| Nome | Tipo | Obrigatório | Descrição |
|---|---|---|---|
| inputData | textarea | Sim | — |
| targetColumns | textarea | Não | — |
| standardizationType | select | Não | — |
| outputRange | text | Não | Optional: Scale standardized values to target range. Leave empty for standard z-score output. |
| handleMissing | select | Não | — |
| preserveOriginal | checkbox | Não | — |
| decimalPlaces | number | Não | — |
| includeStatistics | checkbox | Não | — |
| detectOutliers | checkbox | Não | — |
| outlierThreshold | number | Não | Values beyond this many standard deviations will be flagged as outliers |
Resultado de texto
{
"result": "Processed text content",
"error": "Error message (optional)",
"message": "Notification message (optional)",
"metadata": {
"key": "value"
}
}Adicione esta ferramenta ao seu servidor Model Context Protocol para que agentes de IA possam listá-la e chamá-la.
Adicione este bloco à configuração do seu cliente MCP:
{
"mcpServers": {
"elysiatools-data-zscore-normalizer": {
"name": "data-zscore-normalizer",
"description": "Normalizar dados numéricos usando Z-Score (pontuação padrão) para transformar valores com média=0 e desvio padrão=1. Perfeito para análise estatística, pré-processamento de machine learning, detecção de anomalias e comparação de dados em diferentes escalas.\n\nRecursos:\n- Normalização Z-Score (média=0, desvio padrão=1)\n- Opção de Z-Score Robusto (usando mediana e MAD)\n- Escalonamento personalizado para faixa alvo\n- Seleção de múltiplas colunas\n- Detecção automática de tipo de dados\n- Processamento inteligente de valores ausentes\n- Preservação de colunas não numéricas\n- Resumo estatístico abrangente\n- Detecção e relatório de anomalias\n\nCasos de Uso Comuns:\n- Preparação de características para machine learning\n- Testes de hipóteses estatísticas\n- Detecção e remoção de anomalias\n- Comparação de dados em diferentes unidades\n- Pré-processamento para Análise de Componentes Principais (PCA)",
"baseUrl": "https://api.elysiatools.com/mcp/sse?toolId=data-zscore-normalizer",
"command": "",
"args": [],
"env": {},
"isActive": true,
"type": "sse"
}
}
}Após conectar ao endpoint SSE, liste as ferramentas expostas:
{
"jsonrpc": "2.0",
"id": 1,
"method": "tools/list"
}Invoque a ferramenta pelo seu id; os argumentos são construídos a partir de seus parâmetros:
{
"jsonrpc": "2.0",
"id": 2,
"method": "tools/call",
"params": {
"name": "data-zscore-normalizer",
"arguments": {
"inputData": "name,age,salary,score\nAlice,25,50000,85.5\nBob,30,75000,92.3\nCharlie,35,120000,78.9",
"targetColumns": "idade, salário ou nome, email\n\nDeixe em branco para detectar automaticamente colunas numéricas",
"standardizationType": "zscore",
"outputRange": "0, 1",
"handleMissing": "skip",
"preserveOriginal": false,
"decimalPlaces": 4,
"includeStatistics": true,
"detectOutliers": true,
"outlierThreshold": 2
}
}
}Dúvidas ou problemas? Contate [email protected]