Outil de normalisation des données

L’outil accepte un ou plusieurs ensembles de données tabulaires et identifie les colonnes numériques à normaliser. Trois méthodes sont disponibles : normalisation Min-Max sur l’intervalle 0–1, standardisation Z-score avec moyenne 0 et écart-type 1, et mise à l’échelle robuste basée sur la médiane et l’IQR. Les sorties conservent les noms de colonnes et les types de données d’origine tout en remplaçant les valeurs des caractéristiques ciblées. Les sorties incluent le jeu de données transformé et un résumé statistique par colonne.
Les paramètres de normalisation peuvent être globaux ou par colonne. En configuration par colonne, l’utilisateur affecte à chaque caractéristique numérique une méthode et des plages éventuelles. Lors de la fusion de jeux de données, on peut calculer une distribution de référence partagée ou ajuster indépendamment par source, selon le flux de travail. Les valeurs manquantes sont gérées selon des règles configurables et ne bloquent pas les transformations.
Les utilisateurs visés incluent les data engineers, data scientists, équipes d’analyse et ingénieurs ML qui ont besoin d’une préparation des données reproductible pour les rapports, les tableaux de bord ou l’entraînement de modèles. L’outil se distingue par le contrôle par colonne, l’exportation de paramètres auditable et le traitement par lots pour les grands environnements de données, réduisant le scripting manuel et assurant des échelles de caractéristiques cohérentes. Les cas d’usage courants incluent l’harmonisation de jeux de données clients de plusieurs régions, la préparation de features pour les modèles de régression ou de distance, et l’alignement de jeux BI pour des comparaisons équitables. L’outil est conçu pour la vitesse, la transparence et la répétabilité, avec une gestion explicite des cas limites et des rapports d’erreurs clairs.