L'écart type d'une liste

Depuis Python 3.4 /PEP450 il y a un module de statistiques dans la bibliothèque standard, qui a un la méthode ecartype pour le calcul de l'écart-type de iterables comme la vôtre:

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

Voici quelques pur-code Python que vous pouvez utiliser pour calculer la moyenne et l'écart-type.

Tout le code ci-dessous est basé sur le statistiques module en 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

Remarque: pour améliorer la précision lors du calcul des flotteurs, le statistics module utilise une fonction personnalisée _sum plutôt que dans le haut- sum que j'ai utilisé à sa place.

Maintenant, nous avons par exemple:

>>> 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

En python 2.7 vous pouvez utiliser NumPy est numpy.std() donne la écart-type de population.

En Python 3.4 statistiques.ecartype() renvoie l'écart-type d'échantillon. Le pstdv() fonction est la même que numpy.std().

Autres réponses couvrir comment le faire std dev python suffisamment, mais personne n'explique comment faire de l'insolite traversée que vous avez décrit.

Je vais supposer A-Z est l'ensemble de la population. Si pas voir Ome's réponse sur la façon de l'inférence à partir d'un échantillon.

Afin d'obtenir l'écart-type/moyenne du premier chiffre de chaque liste, vous aurait besoin de quelque chose comme ceci:

#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]])

Pour raccourcir le code et la généraliser à tout le nième chiffre d'utiliser la fonction suivante, j'ai généré pour vous:

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]] 

Maintenant, vous pouvez simplement obtenir le stdd et la moyenne de tous les n-ième lieux de A à Z comme ceci:

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

#mean
numpy.mean(getAllNthRanks(n))