Desvio-padrão de uma lista
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 )...
Agora quero tomar a média e DST de *_Rank[0]
, A média e DST de *_Rank[1]
, etc.
(ou seja: média e DST do primeiro dígito de todos os (A..Z) _anque listas;
a média e DST do segundo dígito de todos os (A..Z) _anque listas;
a média e DST do terceiro dígito...; etc).
7 answers
Desde Python 3.4 / PEP450 existe uma statistics module
na biblioteca padrão, que tem um método stdev
para calcular o desvio-padrão dos iterables como o seu:
>>> A_rank = [0.8, 0.4, 1.2, 3.7, 2.6, 5.8]
>>> import statistics
>>> statistics.stdev(A_rank)
2.0634114147853952
Gostaria de colocar A_Rank
et al em 2D NumPy matriz e, em seguida, usar numpy.mean()
e numpy.std()
para calcular as médias e os desvios-padrão:
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 ])
Todo o código abaixo é baseado no statistics
módulo em Python 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
Nota: para maior precisão ao somar flutuadores, o módulo statistics
usa uma função personalizada _sum
em vez da função incorporada sum
que usei no seu lugar.
>>> 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
No Python 2.7.1, pode calcular o desvio-padrão usando numpy.std()
para:
- Population std : basta usar {[[0]} sem argumentos adicionais para além da sua lista de dados.
- amostra std : tem de passar ddof (ou seja, graus Delta de liberdade) a 1, como no seguinte exemplo:
Numpy.DDT (
, ddof=1) O divisor utilizado nos cálculos é N - ddof, em que N representa a número de elementos. Por padrão ddof é zero.
Calcula a DST da amostra em vez da DST da população.
Em python 2.7 podes usar o Numpy's numpy.std()
indica o desvio-padrão da população .
Em Python 3.4 statistics.stdev()
devolve o desvio-padrão da amostra. A função pstdv()
é a mesma que numpy.std()
.
Código python puro:
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))
As outras respostas cobrem como fazer std dev em python suficientemente, mas ninguém explica como fazer a travessia bizarra que descreveste.
Vou assumir que A A-Z é toda a população. If not see Ome ' s answer on how to inerence from a sample.Então para obter o desvio padrão / média do primeiro dígito de cada lista você precisaria de algo assim:
#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]])
Para encurtar o código e generalizar isto para qualquer dígito n-ésimo, use a seguinte função Eu criei para ti:
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]]
Agora você pode simplesmente obter a DST e a média de todos os lugares de A-Z como este:
#standard deviation
numpy.std(getAllNthRanks(n))
#mean
numpy.mean(getAllNthRanks(n))