Elysia Tools
导航
Data Processing
使用Z-Score（标准分数）标准化数值数据，使数据均值为0，标准差为1。完美用于统计分析、机器学习特征预处理、异常检测和不同尺度数据比较。 功能特点： - Z-Score标准化（均值=0，标准差=1） - 稳健Z-Score选项（使用中位数和MAD） - 自定义缩放到目标范围 - 多列选择 - 自动数据类型检测 - 智能处理缺失值 - 保留非数值列 - 综合统计摘要 - 异常值检测和报告 常见用途： - 机器学习特征准备 - 统计假设检验 - 异常值检测和移除 - 不同单位数据比较 - 主成分分析（PCA）预处理
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
Z-Score标准化工具通过将数值数据转换为均值为0、标准差为1的标准分数，帮助您消除不同量纲对数据分析的影响。该工具支持标准Z-Score与稳健Z-Score算法，并提供异常值检测、缺失值填充及统计摘要功能，是机器学习特征预处理与统计分析的理想选择。
背景
在准备一份包含“年龄”、“年收入”和“消费评分”的用户数据集时，由于收入数值远大于年龄，导致模型训练出现偏差。
问题
需要将所有特征缩放到统一尺度，同时剔除收入数据中的极端异常值。
如何使用
上传CSV数据，选择“Z-Score”标准化，开启“检测异常值”并设置阈值为2.5。
standardizationType: zscore, detectOutliers: true, outlierThreshold: 2.5结果
所有特征均被标准化，异常值被自动标记，模型训练收敛速度显著提升。
背景
需要对比不同地区的销售额（万元）和客户满意度（1-10分），两者单位完全不同，无法直接比较。
问题
通过标准化将两个维度的指标转化为无量纲分数，以便计算综合得分。
如何使用
输入销售数据，选择“稳健Z-Score”以减少个别极端销售月份对整体评估的影响。
standardizationType: robust, handleMissing: fill_median结果
成功将销售额与满意度转化为可直接加权求和的标准化分数，生成了客观的地区排名。
Z-Score标准化是一种将数据按比例缩放的方法，使处理后的数据均值为0，标准差为1，从而消除量纲差异。
标准Z-Score使用均值和标准差，对异常值敏感；稳健Z-Score使用中位数和MAD（绝对中位差），在存在异常值时表现更稳定。
您可以选择跳过包含缺失值的行，或使用均值、中位数、众数或零进行填充。
可以，勾选“保留原始列”选项，工具将在输出结果中同时包含原始数据和标准化后的数据。
工具会根据您设定的标准差倍数阈值，标记出超出该范围的数据点，并在统计报告中列出。