Voglio trovare la media e la deviazione standard delle cifre 1a, 2a, ... di diversi elenchi (Z). Ad esempio, ho

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 )...

Ora voglio prendere la media e lo std di *_Rank[0], la media e lo std di *_Rank[1], ecc.
(Cioè: media e std della prima cifra da tutti gli elenchi (A..Z) _rank;
la media e std della seconda cifra da tutte le liste (A..Z) _rank;
la media e lo std della 3a cifra ...; ecc.).

A partire da Python 3.4 / PEP450 c'è statistics modulenella libreria standard, che ha un metodostdev per calcolare la deviazione standard di iterabili come il tuo:

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

Vorrei inserire A_Ranket al in un array NumPy 2D , quindi utilizzare numpy.mean()e numpy.std()per calcolare le medie e le deviazioni standard:

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 ])

Ecco un po 'di codice Python puro che puoi usare per calcolare la media e la deviazione standard.

Tutto il codice di seguito è basato sul statisticsmodulo in 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: per una maggiore precisione durante la somma dei float, il statisticsmodulo utilizza una funzione personalizzata _sumanziché quella incorporata sumche ho usato al suo posto.

Ora abbiamo ad esempio:

>>> 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

In Python 2.7.1, puoi calcolare la deviazione standard usando numpy.std()per:

• Popolazione std : basta usare numpy.std()senza argomenti aggiuntivi oltre all'elenco dei dati.
• Standard di esempio : è necessario passare ddof (ovvero Delta Degrees of Freedom) impostato su 1, come nell'esempio seguente:

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

Il divisore utilizzato nei calcoli è N - ddof , dove N rappresenta il numero di elementi. Per impostazione predefinita ddof è zero.

Calcola lo standard del campione anziché lo standard della popolazione.

In python 2.7 puoi usare NumPy's numpy.std()dà la deviazione standard della popolazione .

In Python 3.4 statistics.stdev()restituisce la deviazione standard del campione. La pstdv()funzione è la stessa di numpy.std().

Usando Python, ecco alcuni metodi:

import statistics as st

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

Approach1: utilizzo di una funzione

stdev = st.pstdev(data)

Approccio2: calcola la varianza e prendi la radice quadrata di essa

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

Approccio 3: utilizzo della matematica di base

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

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

Nota:

• variance calcola la varianza della popolazione campione
• pvariance calcola la varianza dell'intera popolazione
• differenze simili tra stdevepstdev

codice 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))

Le altre risposte spiegano come eseguire sufficientemente lo std dev in Python, ma nessuno spiega come eseguire il bizzarro attraversamento che hai descritto.

Presumo che l'AZ sia l'intera popolazione. In caso contrario, vedere la risposta di Ome su come dedurre da un campione.

Quindi, per ottenere la deviazione standard / media della prima cifra di ogni elenco, avresti bisogno di qualcosa del genere:

#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]])

Per accorciare il codice e generalizzarlo a qualsiasi ennesima cifra usa la seguente funzione che ho generato per te:

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]] 

Ora puoi semplicemente ottenere lo stdd e la media di tutti gli ennesimi posti dalla A alla Z in questo modo:

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

#mean
numpy.mean(getAllNthRanks(n))