Что такое Z-Score?

Это статистический показатель, который показывает, на сколько стандартных отклонений конкретное значение отклоняется от среднего арифметического всей выборки.

В чем разница между стандартным и устойчивым Z-Score?

Стандартный Z-Score использует среднее и стандартное отклонение, а устойчивый (Robust) — медиану и медианное абсолютное отклонение (MAD), что делает его менее чувствительным к выбросам.

Что произойдет с нечисловыми столбцами?

Инструмент автоматически сохраняет нечисловые столбцы без изменений, применяя математические преобразования только к выбранным числовым данным.

Как инструмент обрабатывает пропущенные значения?

Вы можете выбрать стратегию обработки: пропуск строк, заполнение средним, медианой, нулями или модой в зависимости от специфики ваших данных.

Можно ли масштабировать данные в заданный диапазон?

Да, вы можете указать целевой диапазон вывода, если стандартного преобразования Z-Score недостаточно для ваших задач.

Нормализатор Z-Score | Бесплатный онлайн-инструмент | Elysia Tools

Data Processing

Нормализатор Z-Score

Стандартизация числовых данных с использованием Z-Score (стандартная оценка) для преобразования значений со средним=0 и стандартным отклонением=1. Идеально для статистического анализа, предварительной обработки машинного обучения, обнаружения аномалий и сравнения данных в разных масштабах. Возможности: - Нормализация Z-Score (среднее=0, стандартное отклонение=1) - Опция устойчивого Z-Score (используя медиану и MAD) - Пользовательское масштабирование до целевого диапазона - Выбор нескольких столбцов - Автоматическое обнаружение типов данных - Интеллектуальная обработка пропущенных значений - Сохранение нечисловых столбцов - Комплексная статистическая сводка - Обнаружение и отчетность аномалий Общие случаи использования: - Подготовка признаков для машинного обучения - Статистическая проверка гипотез - Обнаружение и удаление аномалий - Сравнение данных в разных единицах - Предварительная обработка для анализа главных компонентов (PCA)

Разное142 Обработка данных130 Стандартное отклонение12 Статистический анализ10 Z Score10 Machine Learning9 Предобработка данных7 Пропущенные значения6

Запуск

Запустить этот инструмент

Заполните форму, запустите инструмент и посмотрите результат на этой же странице.

Ввод

Параметры сгруппированы, чтобы длинные формы было проще просматривать.

10 параметров

СодержимоеВставьте или введите основные значения.3

CSV ДанныеtextareaОбязательноЦелевые СтолбцыtextareaНеобязательноДиапазон Вывода (Опционально)textНеобязательноOptional: Scale standardized values to target range. Leave empty for standard z-score output.

НастройкиНастройте форматы, диапазоны, числа и режимы.4

Тип СтандартизацииselectНеобязательноОбработка Пропущенных ЗначенийselectНеобязательноЗнаков После ЗапятойnumberНеобязательноПорог Выбросов (Станд Откл)numberНеобязательноValues beyond this many standard deviations will be flagged as outliers

ПереключателиВключайте или отключайте дополнительные режимы.3

Сохранить Оригинальные СтолбцыcheckboxНеобязательноВключено, если отмеченоВключить СтатистикуcheckboxНеобязательноВключено, если отмеченоОбнаружить ВыбросыcheckboxНеобязательноВключено, если отмечено

Результат

Готово к запуску

После запуска здесь появятся файлы, текст, структурированные данные или потоковый вывод.

Ввод

Параметры сгруппированы, чтобы длинные формы было проще просматривать.

10 параметров

СодержимоеВставьте или введите основные значения.3

НастройкиНастройте форматы, диапазоны, числа и режимы.4

ПереключателиВключайте или отключайте дополнительные режимы.3

Результат

Готово к запуску

После запуска здесь появятся файлы, текст, структурированные данные или потоковый вывод.

Примеры

1. Подготовка данных для ML-модели

Data Scientist

Контекст

Необходимо обучить модель прогнозирования цен на недвижимость, где площадь измеряется в сотнях метров, а количество комнат — единицами.

Проблема

Разный масштаб признаков приводит к медленной сходимости модели и искажению весов.

Как использовать

Загрузить CSV, выбрать столбцы 'площадь' и 'комнаты', применить стандартный Z-Score.

standardizationType: zscore, targetColumns: площадь, комнаты

Результат

Все признаки приведены к единому масштабу (среднее=0, ст.откл=1), что ускоряет обучение модели.

2. Выявление аномальных транзакций

Финансовый аналитик

Контекст

Анализ логов транзакций для поиска подозрительных операций, выходящих за рамки типичного поведения.

Проблема

Сложно определить порог 'подозрительности' для разных типов счетов.

Как использовать

Использовать устойчивый Z-Score для обработки сумм транзакций и включить опцию обнаружения выбросов с порогом 3.

standardizationType: robust, detectOutliers: true, outlierThreshold: 3

Результат

Получен отчет с отмеченными транзакциями, которые отклоняются от медианы более чем на 3 единицы MAD.

Нормализатор Z-Score

Запустить этот инструмент

Ввод

Результат

Примеры для этого инструмента

Продолжить с похожими инструментами и темами

Узнайте, когда использовать этот инструмент, что он поддерживает и как его применяют пользователи.

Ключевые факты

Обзор

Когда использовать

Ввод

Результат

Как это работает

Сценарии использования

Примеры

1. Подготовка данных для ML-модели

2. Выявление аномальных транзакций

FAQ

CSV Примеры

Примеры Python

Обработка Строк Windows - Примеры C#

Примеры Apache Spark

Обработчик Границ Данных

Дедупликатор Данных CSV

Ограничитель Диапазона Данных

Удалитель Дублирующихся Колонок

Инструменты экспорта CSV и конвертации таблиц

Инструменты для очистки CSV и перестройки таблиц

Инструменты для штрихкодов, QR-кодов и этикеток

Инструменты качества данных, дедупликации и поиска аномалий