Chcę znaleźć średnią i odchylenie standardowe pierwszej, drugiej, ... cyfry kilku list (Z). Na przykład mam

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 )...

Teraz chcę wziąć średnią i standardową z *_Rank[0], średnią i standardową z *_Rank[1]itd.
(Tj .: średnią i standardową z pierwszej cyfry ze wszystkich list (A..Z) _rank;
średnią i standardową z drugiej cyfry z wszystkie listy (A..Z) _rank;
średnia i standardowa trzecia cyfra ...; itd.).

Od Pythona 3.4 / PEP450 znajduje się statistics modulew standardowej biblioteki, która ma metodęstdev obliczania odchylenia standardowego iterables jak Twoja:

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

Umieściłbym A_Ranket al w tablicy 2D NumPy , a następnie użyłbymnumpy.mean() i numpy.std()obliczył średnie i odchylenia standardowe:

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 ])

Oto kod w czystym Pythonie, którego możesz użyć do obliczenia średniej i odchylenia standardowego.

Cały poniższy kod jest oparty na statisticsmodule w Pythonie 3.4+.

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

Uwaga: aby zwiększyć dokładność sumowania wartości zmiennoprzecinkowych, statisticsmoduł używa funkcji niestandardowej _sumzamiast funkcji wbudowanej, sumktórej użyłem zamiast niej.

Teraz mamy na przykład:

>>> 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

W Pythonie 2.7.1 możesz obliczyć odchylenie standardowe za pomocą numpy.std():

• Std populacji : po prostu używaj numpy.std()bez dodatkowych argumentów oprócz listy danych.
• Przykładowe std : Musisz przekazać ddof (tj. Delta Degrees of Freedom) ustawioną na 1, jak w poniższym przykładzie:

numpy.std (<twoja-lista>, ddof = 1 )

Dzielnik używany w obliczeniach to N - ddof , gdzie N reprezentuje liczbę elementów. Domyślnie ddof ma wartość zero.

Oblicza standardową próbkę zamiast standardowej populacji.

W Pythonie 2.7 możesz użyć NumPy's, który numpy.std()podaje odchylenie standardowe populacji .

W Pythonie 3.4 statistics.stdev()zwraca przykładowe odchylenie standardowe. pstdv()Funkcja jest taka sama jak numpy.std().

Używając Pythona, oto kilka metod:

import statistics as st

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

Approach1 - za pomocą funkcji

stdev = st.pstdev(data)

Podejście 2: oblicz wariancję i weź z niej pierwiastek kwadratowy

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

Podejście 3: używanie podstawowej matematyki

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

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

Uwaga:

• variance oblicza wariancję populacji próbki
• pvariance oblicza wariancję całej populacji
• podobne różnice między stdevipstdev

czysty kod Pythona:

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))

Inne odpowiedzi obejmują wystarczająco, jak zrobić std dev w Pythonie, ale nikt nie wyjaśnia, jak wykonać dziwaczne przejście, które opisałeś.

Zakładam, że AZ to cała populacja. Jeśli nie, zobacz odpowiedź Ome na temat wnioskowania na podstawie próbki.

Aby uzyskać odchylenie standardowe / średnią z pierwszej cyfry na każdej liście, potrzebowałbyś czegoś takiego:

#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]])

Aby skrócić kod i uogólnić go na dowolną n-tą cyfrę, użyj następującej funkcji, którą dla ciebie wygenerowałem:

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]] 

Teraz możesz po prostu pobrać stdd i średnią wszystkich n-tych miejsc od AZ w ten sposób:

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

#mean
numpy.mean(getAllNthRanks(n))