Estandarización por puntuación z

La estandarización reescala una variable para que tenga media 0 y desviación estándar 1, que es como mejor funcionan muchos modelos (y el descenso de gradiente):

z = (x - mean) / std

Usa la desviación estándar poblacional: std = √(Σ(x - mean)² / n). Si std es 0 (todos los valores iguales), devuelve 0 para cada valor.

Implementa z_scores(values).

Entrada

values: Los valores de una variable.

Salida

Devuelve la puntuación z de cada valor, en el mismo orden.

Restricciones

1 ≤ longitud ≤ 10 000

-1 000 000 ≤ cada valor ≤ 1 000 000

Ejemplos

Entrada:
values = [2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0]

Salida esperada:
expected = [-1.5, -0.5, -0.5, -0.5, 0.0, 0.0, 1.0, 2.0]

Entrada:
std::vector<double> values = {2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0};

Salida esperada:
std::vector<double> expected = {-1.5, -0.5, -0.5, -0.5, 0.0, 0.0, 1.0, 2.0};

Entrada:
double[] values = new double[] {2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0};

Salida esperada:
double[] expected = new double[] {-1.5, -0.5, -0.5, -0.5, 0.0, 0.0, 1.0, 2.0};

Entrada:
values = [3.0, 3.0]

Salida esperada:
expected = [0.0, 0.0]

Entrada:
std::vector<double> values = {3.0, 3.0};

Salida esperada:
std::vector<double> expected = {0.0, 0.0};

Entrada:
double[] values = new double[] {3.0, 3.0};

Salida esperada:
double[] expected = new double[] {0.0, 0.0};

Referencias

Este reto está adaptado para CodeUtility. Sigue el enunciado y las restricciones indicadas arriba.

• scikit-learn, Preprocessing data
• Goodfellow, Bengio and Courville, Deep Learning