分类

← View All Tools

Z-Score标准化工具

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

可选：将标准化值缩放到目标范围。留空则输出标准z-score。

超过此标准差倍数的值将被标记为异常值

关键信息

分类
Data Processing
输入类型
textarea, select, text, checkbox, number
输出类型
text
样本覆盖
4
支持 API
Yes

概览

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。

适用场景

  • •当数据集中的不同特征具有完全不同的量纲或单位，需要统一缩放以便进行比较时。
  • •在构建机器学习模型前，需要对输入特征进行标准化以提升模型收敛速度和预测准确性时。
  • •需要识别数据集中偏离正常分布范围的异常值，并进行统计分析时。

工作原理

  • •粘贴您的CSV格式数据，工具将自动识别数值列或根据您的指定选择目标列。
  • •选择标准化类型（标准Z-Score或抗异常值的稳健Z-Score），并配置缺失值处理策略。
  • •设置异常值检测阈值，点击处理后，系统将输出标准化后的数据及详细的统计摘要报告。

使用场景

机器学习特征工程：将不同量级的特征缩放到统一尺度，优化模型训练效果。
多维度数据对比：在分析不同单位（如身高与体重）的数据时，通过标准化实现公平的横向比较。
异常数据监控：利用Z-Score快速定位偏离均值过大的异常记录，辅助数据清洗。

用户案例

1. 机器学习特征预处理

数据科学家
背景原因
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。
解决问题
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。
示例配置
standardizationType: zscore, detectOutliers: true, outlierThreshold: 2.5
效果
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。

2. 多单位数据横向对比

市场分析师
背景原因
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。
解决问题
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。
示例配置
standardizationType: robust, handleMissing: fill_median
效果
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。

用 Samples 测试

csv, video, barcode
正则替换示例
用于文本转换和数据清洗的常用正则替换模式集合
preferred input family csv
csv
重复行示例
用于测试重复行移除工具的各种重复行类型的示例文件
preferred input family csv
csv
CSV示例
各种数据类型、大小和复杂度级别的CSV示例文件
preferred input family csv
csv
Python 示例
Python代码示例和Hello World演示
preferred input family csv
csv

相关专题

CsvConvert工具专题
探索 37 个围绕 csv 的 convert 工作流工具，快速找到相近能力。
VideoConvert工具专题
探索 36 个围绕 video 的 convert 工作流工具，快速找到相近能力。
BarcodeConvert工具专题
探索 6 个围绕 barcode 的 convert 工作流工具，快速找到相近能力。
Video 工具专题
探索 16 个围绕 video 的 utility 工作流工具，快速找到相近能力。

常见问题

什么是Z-Score标准化？

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与稳健Z-Score有什么区别？

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。

工具如何处理缺失值？

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。

我可以保留原始数据列吗？

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。

异常值检测是如何工作的？

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。

API 文档

请求端点

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

请求参数

参数名 类型 必填 描述
inputData textarea 是 -
targetColumns textarea 否 -
standardizationType select 否 -
outputRange text 否 可选：将标准化值缩放到目标范围。留空则输出标准z-score。
handleMissing select 否 -
preserveOriginal checkbox 否 -
decimalPlaces number 否 -
includeStatistics checkbox 否 -
detectOutliers checkbox 否 -
outlierThreshold number 否 超过此标准差倍数的值将被标记为异常值

响应格式

{
  "result": "Processed text content",
  "error": "Error message (optional)",
  "message": "Notification message (optional)",
  "metadata": {
    "key": "value"
  }
}
文本: 文本

AI MCP 文档

将此工具添加到您的 MCP 服务器配置中： 

{
  "mcpServers": {
    "elysiatools-data-zscore-normalizer": {
      "name": "data-zscore-normalizer",
      "description": "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",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=data-zscore-normalizer",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

你可以串联多个工具，比如：`https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`，最多20个。

如果遇见问题，请联系我们：[email protected]