Birkaç (Z) listenin 1., 2., ... rakamlarının ortalamasını ve standart sapmasını bulmak istiyorum. Örneğin, bende var

A_rank=[0.8,0.4,1.2,3.7,2.6,5.8]
B_rank=[0.1,2.8,3.7,2.6,5,3.4]
C_Rank=[1.2,3.4,0.5,0.1,2.5,6.1]
# etc (up to Z_rank )...

Şimdi ortalama ve std almak istiyor *_Rank[0], ortalama ve std *_Rank[1]vb
(yani: listelerini _rank) ortalama ve (a..z tüm 1 parmağın std;
ortalama ve 2. parmağın std gelen tüm (A..Z) _rank listeleri;
3. hanenin ortalaması ve standardı ...; vb.).

Python 3.4 yana / PEP450 olduğu bir statistics modulebir olan standart kitaplığı üzere bir yöntemstdev sizin gibi Iterables standart sapmasını hesaplamak için:

>>> A_rank = [0.8, 0.4, 1.2, 3.7, 2.6, 5.8]
>>> import statistics
>>> statistics.stdev(A_rank)
2.0634114147853952

I vereceğini A_Rank2D içine ve ark NumPy kullanmak sonra dizi ve numpy.mean()ve numpy.std()ortalama ve standart sapma hesaplamak için:

In [17]: import numpy

In [18]: arr = numpy.array([A_rank, B_rank, C_rank])

In [20]: numpy.mean(arr, axis=0)
Out[20]: 
array([ 0.7       ,  2.2       ,  1.8       ,  2.13333333,  3.36666667,
        5.1       ])

In [21]: numpy.std(arr, axis=0)
Out[21]: 
array([ 0.45460606,  1.29614814,  1.37355985,  1.50628314,  1.15566239,
        1.2083046 ])

Ortalama ve standart sapmayı hesaplamak için kullanabileceğiniz bazı saf Python kodu.

Aşağıdaki tüm kod statistics, Python 3.4+ modülüne dayanmaktadır.

def mean(data):
    """Return the sample arithmetic mean of data."""
    n = len(data)
    if n < 1:
        raise ValueError('mean requires at least one data point')
    return sum(data)/n # in Python 2 use sum(data)/float(n)

def _ss(data):
    """Return sum of square deviations of sequence data."""
    c = mean(data)
    ss = sum((x-c)**2 for x in data)
    return ss

def stddev(data, ddof=0):
    """Calculates the population standard deviation
    by default; specify ddof=1 to compute the sample
    standard deviation."""
    n = len(data)
    if n < 2:
        raise ValueError('variance requires at least two data points')
    ss = _ss(data)
    pvar = ss/(n-ddof)
    return pvar**0.5

Not: Yüzen sayıları toplarken daha iyi doğruluk için statisticsmodül , yerinde kullandığım _sumyerleşik işlev yerine özel bir işlev kullanır sum.

Şimdi örneğin elimizde:

>>> mean([1, 2, 3])
2.0
>>> stddev([1, 2, 3]) # population standard deviation
0.816496580927726
>>> stddev([1, 2, 3], ddof=1) # sample standard deviation
0.1

Python 2.7.1'de, aşağıdakileri kullanarak standart sapmayı hesaplayabilirsiniz numpy.std():

• Nüfus std : numpy.std()Veri listenizin yanı sıra ek bağımsız değişkenler olmadan kullanın .
• Örnek std : Aşağıdaki örnekte olduğu gibi ddof'u (yani Delta Serbestlik Derecesi) 1'e ayarlamanız gerekir:

numpy.std (<listeniz>, ddof = 1 )

Hesaplamalarda kullanılan bölen N - ddof'tur ve burada N, eleman sayısını temsil eder. Varsayılan olarak ddof sıfırdır.

Popülasyon standardı yerine örnek std'yi hesaplar.

Python 2.7'de NumPy's kullanabilirsiniz numpy.std(), popülasyon standart sapmasını verir .

Python 3.4'te statistics.stdev()örnek standart sapmayı döndürür. pstdv()Fonksiyonu aynıdır numpy.std().

Python kullanarak, işte birkaç yöntem:

import statistics as st

n = int(input())
data = list(map(int, input().split()))

Yaklaşım1 - bir işlev kullanma

stdev = st.pstdev(data)

Yaklaşım2: varyansı hesaplayın ve karekökünü alın

variance = st.pvariance(data)
devia = math.sqrt(variance)

Yaklaşım3: temel matematik kullanma

mean = sum(data)/n
variance = sum([((x - mean) ** 2) for x in X]) / n
stddev = variance ** 0.5

print("{0:0.1f}".format(stddev))

Not:

• variance örnek popülasyonun varyansını hesaplar
• pvariance tüm popülasyonun varyansını hesaplar
• stdevve arasındaki benzer farklılıklarpstdev

saf piton kodu:

from math import sqrt

def stddev(lst):
    mean = float(sum(lst)) / len(lst)
    return sqrt(float(reduce(lambda x, y: x + y, map(lambda x: (x - mean) ** 2, lst))) / len(lst))

Diğer cevaplar, yeterince python'da std dev nasıl yapılacağını kapsar, ancak hiç kimse anlattığınız tuhaf geçişi nasıl yapacağınızı açıklamaz.

AZ'nin tüm nüfus olduğunu varsayacağım. Ome'nin bir örneklemden nasıl çıkarım yapılacağına dair cevabını görmüyorsanız .

Dolayısıyla, her listenin ilk basamağının standart sapmasını / ortalamasını elde etmek için şuna ihtiyacınız olacak:

#standard deviation
numpy.std([A_rank[0], B_rank[0], C_rank[0], ..., Z_rank[0]])

#mean
numpy.mean([A_rank[0], B_rank[0], C_rank[0], ..., Z_rank[0]])

Kodu kısaltmak ve bunu herhangi bir n'inci basamağa genellemek için sizin için oluşturduğum aşağıdaki işlevi kullanın:

def getAllNthRanks(n):
    return [A_rank[n], B_rank[n], C_rank[n], D_rank[n], E_rank[n], F_rank[n], G_rank[n], H_rank[n], I_rank[n], J_rank[n], K_rank[n], L_rank[n], M_rank[n], N_rank[n], O_rank[n], P_rank[n], Q_rank[n], R_rank[n], S_rank[n], T_rank[n], U_rank[n], V_rank[n], W_rank[n], X_rank[n], Y_rank[n], Z_rank[n]] 

Şimdi basitçe aşağıdaki gibi AZ'den tüm n'inci yerlerin stdd ve ortalamasını alabilirsiniz:

#standard deviation
numpy.std(getAllNthRanks(n))

#mean
numpy.mean(getAllNthRanks(n))