Я хочу найти среднее значение и стандартное отклонение 1-й, 2-й, ... цифр нескольких (Z) списков. Например, у меня есть

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 )...

Теперь я хочу взять среднее значение и зЬе в *_Rank[0]среднее и зЬй из *_Rank[1], и т.д.
(т.е. средних и станда 1 - го разряда из всех (a..z) _rank списков,
средние и зЬе 2 - го разряда из все списки (A..Z) _rank;
среднее и стандартное значение третьей цифры ...; и т. д.).

Начиная с Python 3.4 / PEP450 , statistics moduleв стандартной библиотеке есть методstdev вычисления стандартного отклонения итераций, подобных вашему:

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

Я бы поместил A_Rankи др. В 2D NumPy массив , а затем использовал бы numpy.mean()и numpy.std()для вычисления средних и стандартных отклонений:

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 ])

Вот код на чистом Python, который вы можете использовать для вычисления среднего и стандартного отклонения.

Весь приведенный ниже код основан на statisticsмодуле в 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

Примечание: для повышения точности при суммировании чисел с плавающей запятой statisticsмодуль использует настраиваемую функцию, _sumа не встроеннуюsum которую я использовал вместо нее.

Теперь у нас есть например:

>>> 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

В Python 2.7.1 вы можете рассчитать стандартное отклонение, используя numpy.std()для:

• Стандартное заполнение : просто используйте numpy.std()без дополнительных аргументов, кроме списка данных.
• Пример стандартного значения : вам необходимо передать ddof (то есть дельта степеней свободы) равным 1, как в следующем примере:

numpy.std (<ваш-список>, ddof = 1 )

В расчетах используется делитель N - ddof , где N представляет собой количество элементов. По умолчанию ddof равен нулю.

Он вычисляет стандартную выборку, а не стандартную погоду.

В python 2.7 вы можете использовать NumPy, numpy.std()чтобы получить стандартное отклонение населения .

В Python 3.4 statistics.stdev()возвращается стандартное отклонение образца. pstdv()Функция является такой же , как numpy.std().

Используя python, есть несколько методов:

import statistics as st

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

Подход 1 - использование функции

stdev = st.pstdev(data)

Подход 2: вычислить дисперсию и извлечь из нее квадратный корень

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

Подход 3: использование базовой математики

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

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

Примечание:

• variance вычисляет дисперсию выборочной совокупности
• pvariance вычисляет дисперсию всего населения
• аналогичные различия между stdevиpstdev

чистый код Python:

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))

В других ответах рассказывается, как сделать std dev на python в достаточной степени, но никто не объясняет, как выполнить описанный вами странный обход.

Я предполагаю, что Аризона - это все население. Если не увидишь Оме Ответ о том, как делать выводы из образца.

Итак, чтобы получить стандартное отклонение / среднее значение первой цифры каждого списка, вам понадобится что-то вроде этого:

#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]])

Чтобы сократить код и обобщить его до любой n-й цифры, используйте следующую функцию, которую я сгенерировал для вас:

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]] 

Теперь вы можете просто получить стандартное и среднее значение всех n-х разрядов от А до Я следующим образом:

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

#mean
numpy.mean(getAllNthRanks(n))