我想找到几个（Z）列表的第1，第2，......数字的均值和标准差。例如，我有
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 )...
现在我想取*_Rank[0]的平均值和标准，*_Rank[1]的平均值和标准值等。
（即：所有（A..Z）_rank列表中第1位的平均值和标准值;
所有（A..Z）_rank列表中第二位数的平均值和标准值;
第三位数的平均值和标准数;等等）。
从Python 3.4 / PEP450开始，标准库中有一个statistics module，它有一个method stdev来计算像你这样的迭代的标准偏差：
>>> A_rank = [0.8, 0.4, 1.2, 3.7, 2.6, 5.8]
>>> import statistics
>>> statistics.stdev(A_rank)
2.0634114147853952
我会将A_Rank等放入2D NumPy阵列，然后使用numpy.mean()和numpy.std()来计算平均值和标准偏差：
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 ])
这里有一些纯Python代码可用于计算平均值和标准差。
下面的所有代码都基于Python 3.4+中的statistics模块。
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
注意：为了在求和浮点数时提高精度，statistics模块使用自定义函数_sum而不是我在其中使用的内置sum。
现在我们有例如：
>>> 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
在Python 2.7.1中，您可以使用numpy.std()计算标准偏差：
numpy.std()而没有其他参数。numpy.std（<your-list>，ddof = 1）
计算中使用的除数是N - ddof，其中N表示元素的数量。默认情况下，ddof为零。
它计算样本std而不是人口std。
在python 2.7中你可以使用NumPy的numpy.std()给出population standard deviation。
在Python 3.4中，statistics.stdev()返回样本标准偏差。 pstdv()函数与numpy.std()相同。
纯python代码：
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))
其他答案涵盖了如何充分利用python中的std dev，但没有人解释如何进行你所描述的奇异遍历。
我将假设A-Z是整个人口。如果没有看到Ome关于如何从样本推断的答案。
因此，要获得每个列表的第一个数字的标准偏差/平均值，您需要这样的事情：
#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]])
要缩短代码并将其概括为任何第n位，请使用我为您生成的以下函数：
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]]
现在你可以简单地得到A-Z中所有第n个地方的标准和平均值，如下所示：
#standard deviation
numpy.std(getAllNthRanks(n))
#mean
numpy.mean(getAllNthRanks(n))
使用python，这里有几个方法：
import statistics as st
n = int(input())
data = list(map(int, input().split()))
stdev = st.pstdev(data)
variance = st.pvariance(data)
devia = math.sqrt(variance)
mean = sum(data)/n
variance = sum([((x - mean) ** 2) for x in X]) / n
stddev = variance ** 0.5
print("{0:0.1f}".format(stddev))
variance计算样本总体的方差pvariance计算整个人口的方差stdev和pstdev之间存在类似差异