Elysia Tools
导航
Data Processing
高级离群值检测和处理工具，使用多种统计方法识别、删除或替换数值数据中的异常值。完美用于数据清洗、统计分析和机器学习数据准备。 功能特点： - 多种检测方法（IQR、Z-score、修正Z-score、孤立森林） - 灵活处理策略（删除、替换均值/中位数/众数、封顶） - 自动阈值优化 - 多维离群值检测 - 可视化离群值统计和报告 - 批量处理能力 - 自定义敏感度级别 - 综合影响分析 常见用途： - 数据清洗和预处理 - 统计分析准备 - 机器学习数据集清洗 - 制造业质量控制 - 金融异常检测 - 传感器数据验证
执行
填写表单、运行工具，并在同一页面查看结果。
案例
相关内容
等待运行
工具使用指南
离群值处理器是一款专业的数据清洗工具，支持通过 IQR、Z-Score、孤立森林等多种统计学方法，精准识别并处理数据集中的异常数值，助您快速完成统计分析或机器学习的数据预处理工作。
背景
分析师需要处理一份包含数万条订单的销售记录，其中存在部分录入错误的极端高额订单。
问题
极端异常值导致平均销售额统计严重偏离实际情况。
如何使用
上传 CSV 数据，选择 IQR 方法，设置处理策略为“替换”，并选择“中位数”作为替换值。
detectionMethod: iqr, handlingStrategy: replace, replacementMethod: median结果
异常高额订单被替换为中位数，修正后的数据集能够更准确地反映平均销售水平。
背景
生产线上的温度传感器偶尔会产生瞬间的极值跳变，影响质量控制分析。
问题
需要剔除这些瞬间跳变点，但不能删除整行数据以防丢失其他维度信息。
如何使用
上传数据，选择“修正Z-Score”方法，处理策略选择“封顶”。
detectionMethod: modified_zscore, handlingStrategy: cap结果
极值被限制在合理范围内，传感器数据曲线变得平滑，便于后续的质量趋势分析。
IQR（四分位距）方法通过计算数据的第 25% 和 75% 分位数之间的距离，识别超出 1.5 倍 IQR 范围的数据点。
孤立森林是一种基于机器学习的算法，特别适合处理多维数据中的复杂异常值检测。
封顶会将超出阈值的离群值强制设定为边界值（如上限或下限），从而保留数据量同时减小异常影响。
可以，您可以在“目标列”选项中指定需要检测的列名，未指定的列将保持不变。
可以，勾选“标记离群值”选项，系统会添加一列标识符，在保留原始数据的同时标注出异常点。