Elysia Tools

Explore ferramentas, exemplos, explicações visuais e guias temáticos em um espaço claro.

Categorias populares

Temas

Idioma
ZHDERUPTENFRES

Elysia Tools

Navegação

Workflow Playbook

Revisão e entrega de divisões estratificadas para classificação

Prepare registros independentes, fixe uma divisão estratificada reproduzível, confira cobertura de classes e limites da análise de vazamento e entregue conjuntos rastreáveis.

Este tópico ainda não está disponível como modelo de um clique.Ver tópicos executáveis →

Comece aqui

Novo neste fluxo? Siga os passos em ordem, começando pela primeira ferramenta abaixo. Já sabe o que precisa? Vá direto ao passo correspondente: todas as ferramentas deste fluxo estão na tabela comparativa.

Primeira ferramenta: Validador CSV

Temas

Ferramentas deste fluxo, comparadas

FerramentaO que fazCategoria
Validador CSVValida a estrutura CSV, detecta linhas malformadas, aspas desbalanceadas e colunas inconsistentesData Processing
Perfilador de qualidade de datasetsGera um perfil de qualidade para CSV ou JSON com faltantes, duplicados, drift de formato, tipos e outliers.Data Analysis
CSV Data GrouperGroup CSV data by specified columns with aggregation options. Perfect for summarizing and analyzing large datasets by categories, dates, or other criteria.Data Processing
CSV Column SelectorSelect specific columns from CSV data by column names or indices. Perfect for extracting relevant data from large CSV files with many columns.Data Processing

Temas

Continue com temas próximos

Removedor de linhas duplicadas CSV
Envie um arquivo CSV ou cole texto CSV, remova linhas duplicadas com correspondencia exata ou difusa e baixe um CSV limpo.
Data Processing
Verificador de Hash de ArquivoCalcula valores hash MD5/SHA1/SHA256 para arquivos e verifica contra hashes esperadosUtilities
Divisor train/test com estratificaçãoLê um dataset CSV/JSON e divide em train/validation/test com amostragem estratificada pela coluna alvo (70/15/15 padrão, semente reprodutível), ou k-fold estratificado; relatório de distribuição de classes por split com barras de desvio, checagem de vazamento por linhas duplicadas, prévia de SMOTE (interpolação de vizinhos no treino) e exportação dos CSV em ZIP.Data Analysis
Detector de desbalanceamento e reamostragemDetecta desbalanceamento de classes em datasets CSV ou JSON, compara estrategias e previsualiza uma saida balanceadaData Analysis

Defina a unidade de previsão antes da semente

Este roteiro entrega arquivos revisados de treino, validação e teste para um experimento de classificação, não um modelo ou certificado de ausência de viés. Defina a observação e as informações disponíveis no instante da previsão. Pacientes, usuários, famílias e documentos relacionados não se tornam independentes por ocupar linhas diferentes. Se precisar respeitar grupos ou tempo, use outra abordagem: o divisor não oferece esses controles.

Confirme permissão e preserve um vínculo controlado com as fontes. Confira rótulos vazios, grafias e contagens; um alvo ausente não deve virar uma classe silenciosamente. Valide o CSV antes da divisão: o leitor pode completar linhas curtas e cortar células além da largura do cabeçalho. Resolva nomes ambíguos e registros danificados; uma exportação bem-sucedida não comprova preservação de todos os valores.

Para contar classes no agrupador, use uma tabela simples só de rótulos, verificada separadamente, sem textos multilinha nem delimitadores entre aspas. O leitor é básico; se os rótulos exigirem regras CSV complexas, use um leitor externo adequado e concilie totais. Não renomeie nem una rótulos para acomodar o leitor.

Revisar duplicatas preservando a origem

Escolha atributos e alvo e mantenha uma chave estável fora das variáveis do modelo, ou um registro externo autorizado. Compare conteúdo relevante em uma cópia separada sem IDs únicos mascarando igualdade, mantendo a rastreabilidade de cada fonte. A deduplicação remove linhas: não a execute no único original nem aceite correspondências aproximadas automaticamente.

Medições repetidas podem ser legítimas e exigir outra divisão, não remoção. Rótulos conflitantes no mesmo conteúdo precisam de adjudicação, não exclusão arbitrária. Registre cópias acidentais removidas e chaves preservadas. Não ajuste imputação, escala, seleção de atributos ou balanceamento na base inteira; transformações aprendidas devem ser ajustadas apenas no treino.

Congelar a atribuição real

Registre hash da entrada exata, ordem, campos, alvo, versão, modo, proporções, semente e opções de embaralhamento e estratificação. A semente isolada não reproduz entrada alterada ou outra implementação, nem garante os mesmos membros do scikit-learn. No modo padrão, teste recebe o restante após treino e validação. Confira quantidades inteiras reais, não apenas percentuais solicitados.

Com 100 observações independentes e classes de 80 e 20, um plano 70/15/15 pode distribuir a menor classe em 14/3/3. Dois exemplos não cobrem três conjuntos. Não una rótulos diferentes nem desligue estratificação apenas para eliminar alertas. Em k-fold, os treinos se sobrepõem entre partições por definição, mas cada par deve isolar seus membros de validação. Não é criado um teste final independente.

Conciliar membros e preservar a avaliação

Inspecione o ZIP: no modo padrão há train.csv, validation.csv, test.csv e split_report.json. Reconte classes e concilie chaves com a entrada aprovada; cada original elegível deve aparecer exatamente uma vez entre os três conjuntos. A verificação integrada compara linhas completas: IDs diferentes ou pequenas edições podem ocultar atributos equivalentes. Confira entidades, quase cópias e informações derivadas do futuro separadamente. O JSON não é um registro completo de membros ou vazamentos; preserve os avisos exibidos e verificações externas.

Use a ferramenta de desequilíbrio apenas em uma cópia do treino e, na validação cruzada, dentro de cada treino. SMOTE aqui é uma prévia numérica e não adiciona exemplos aos CSV exportados. Códigos inteiros e IDs não são atributos contínuos válidos só por serem números. Preserve a avaliação e trate qualquer reamostragem aprovada como experimento separado. Valide e calcule hashes dos CSV finais, guarde arquivos locais, aprovação e riscos pendentes, e exclua as chaves do modelo. Mudar fonte, ordem ou parâmetros exige nova revisão; limpeza geral e análise estatística seguem nos roteiros relacionados.

Antes de começar

  • Confirme autorização de envio, alvo e momento da previsão; preserve o original e o vínculo estável entre registros e fontes.
  • Verifique independência das linhas e identifique pessoas repetidas, grupos, ordem temporal e fontes quase duplicadas antes de dividir.
  • Acorde significado dos rótulos, cobertura mínima, proporções e preservação da avaliação; registre versões, parâmetros e decisões de revisão.

Guia de fluxo de trabalho

Entregar conjuntos auditáveis sem confundir estratificação com proteção contra vazamento

  1. 1

    Conferir dados e elegibilidade

    Valide o CSV, examine rótulos ausentes e conte classes. Revise unidade e tempo de previsão; interrompa se o isolamento necessário por grupo ou tempo não puder ser imposto.

  2. 2

    Aprovar colunas e duplicatas

    Selecione campos mantendo uma chave não preditiva ou vínculo externo. Compare conteúdo, não apenas IDs; remova somente cópias acidentais confirmadas e registre o motivo.

  3. 3

    Fixar a entrada e gerar a divisão

    Calcule o hash exato e registre ordem e parâmetros. Execute a divisão estratificada padrão com semente e exporte o ZIP; k-fold opcional gera pares, não um teste final independente.

  4. 4

    Revisar membros e alternativas de treino

    Reconte rótulos, confira membros, avisos e sobreposição de entidades e conteúdo. Preserve a avaliação; compare balanceamento apenas no treino e não trate a prévia SMOTE como dados aumentados exportados.

Escolha o caminho certo

As linhas são independentes?

Use esta rota apenas com independência justificada. Pessoas repetidas, documentos relacionados e previsões futuras podem exigir divisão externa por grupos ou tempo.

Há exemplos suficientes por classe?

Confira quantidades reais. Uma classe pode faltar mesmo com entrada válida; colete dados ou revise o plano, em vez de desativar estratificação para ocultar avisos.

Preservar ou reamostrar o treino?

Guarde primeiro uma base inalterada. Compare alternativas somente no treino ou dentro de cada partição de treinamento da validação cruzada, nunca na base completa ou avaliação.

Concluído quando

  • A entrada aprovada tem contagens conhecidas, cabeçalhos únicos, rótulos ausentes resolvidos e decisões sobre duplicatas, com justificativa para divisão por linhas.
  • Hash, ordem, campos, alvo, semente, modo, proporções e opções estão registrados; quantidades e cobertura reais atendem ao plano.
  • Os membros de treino, validação e teste foram conciliados sem sobreposição ou omissão inexplicada; entidades, quase cópias e tempo têm revisão adicional ao teste de linhas idênticas.
  • Os CSV finais têm colunas e contagens previstas, SHA-256 próprios, relatório, registro de membros, avisos, aprovação e experimentos de treino identificados separadamente.
Tema

Fluxos de qualidade de dados e investigacao de anomalias

Perfilhe dados tabulares, isole duplicatas, faltas, quebras referenciais, outliers e anomalias temporais e transforme os achados em evidencia de qualidade.

Tema

Limpeza, conformação e normalização de dados tabulares

Leve dados tabulares bagunçados ao ponto de análise — funda as tabelas de origem numa só, tire as marcas de ordem de byte que quebram o casamento de colunas, guarde só as colunas necessárias, corrija grafia e formatos, trate os outliers por política e não por pânico, escale ou padronize os números e termine com limites de faixa e uma tabela cruzada de resumo.

Tema

Ferramentas de analise estatistica, testes e distribuicoes

Resuma dados numericos, meca dispersao, compare grupos, calcule confianca e probabilidade, e modele relacoes estatisticas.

Início
Ferramentas3212
Exemplos593
Visualizações471
Visualizadores de arquivos103
Temas239
Etiquetas333
Imagens, áudio e vídeo657

Ferramentas de processamento, conversão e otimização de imagens, áudio e vídeo

Matemática, datas e finanças647

Calculadoras, ferramentas numéricas, lógica de datas, estatística e finanças

Design e cor298

Ferramentas de cor, layout, gráficos, estilo visual e apoio ao design

Texto e escrita209

Ferramentas de escrita, limpeza, formatação, extração e análise de texto

Desenvolvimento e Web193

Utilitários para desenvolvedores, rede, depuração web e automação

Conversão e codificação175

Ferramentas de conversão de formatos, arquivos, unidades, arquivos compactados e codificação

Lançamento de quiz de captação e transferência de contatos
Textos memoriais: revisão familiar e entrega para impressão
Hábitos privados: backup, restauração e revisão para partilha
De artigo a rascunhos de X e LinkedIn: revisão factual e entrega
Revisão de aula Markdown interativa e entrega offline

© 2026 Elysia Tools. Todos os direitos reservados.

DocumentaçãoPreçosSobreTermos de serviçoPolítica de privacidadeCookiesContato
  • 5

    Validar e arquivar a entrega

    Valide cada CSV e confira colunas, quantidades e membros aprovados. Guarde hashes, arquivos locais, split_report.json e revisões externas; mudanças exigem nova aprovação.

  • Data Processing

    Validador CSV

    Valida a estrutura CSV, detecta linhas malformadas, aspas desbalanceadas e colunas inconsistentes

    Data Analysis

    Perfilador de qualidade de datasets

    Gera um perfil de qualidade para CSV ou JSON com faltantes, duplicados, drift de formato, tipos e outliers.

    Data Processing

    CSV Data Grouper

    Group CSV data by specified columns with aggregation options. Perfect for summarizing and analyzing large datasets by categories, dates, or other criteria.

    Data Processing

    CSV Column Selector

    Select specific columns from CSV data by column names or indices. Perfect for extracting relevant data from large CSV files with many columns.

    Data Processing

    Removedor de linhas duplicadas CSV

    Envie um arquivo CSV ou cole texto CSV, remova linhas duplicadas com correspondencia exata ou difusa e baixe um CSV limpo.

    Utilities

    Verificador de Hash de Arquivo

    Calcula valores hash MD5/SHA1/SHA256 para arquivos e verifica contra hashes esperados

    Data Analysis

    Divisor train/test com estratificação

    Lê um dataset CSV/JSON e divide em train/validation/test com amostragem estratificada pela coluna alvo (70/15/15 padrão, semente reprodutível), ou k-fold estratificado; relatório de distribuição de classes por split com barras de desvio, checagem de vazamento por linhas duplicadas, prévia de SMOTE (interpolação de vizinhos no treino) e exportação dos CSV em ZIP.

    Data Processing

    CSV Data Grouper

    Group CSV data by specified columns with aggregation options. Perfect for summarizing and analyzing large datasets by categories, dates, or other criteria.

    Data Analysis

    Detector de desbalanceamento e reamostragem

    Detecta desbalanceamento de classes em datasets CSV ou JSON, compara estrategias e previsualiza uma saida balanceada

    Data Analysis

    Divisor train/test com estratificação

    Lê um dataset CSV/JSON e divide em train/validation/test com amostragem estratificada pela coluna alvo (70/15/15 padrão, semente reprodutível), ou k-fold estratificado; relatório de distribuição de classes por split com barras de desvio, checagem de vazamento por linhas duplicadas, prévia de SMOTE (interpolação de vizinhos no treino) e exportação dos CSV em ZIP.

    Data Processing

    Validador CSV

    Valida a estrutura CSV, detecta linhas malformadas, aspas desbalanceadas e colunas inconsistentes

    Utilities

    Verificador de Hash de Arquivo

    Calcula valores hash MD5/SHA1/SHA256 para arquivos e verifica contra hashes esperados