Padronização por z-score

A padronização reescala uma variável para que tenha média 0 e desvio padrão 1, que é como muitos modelos (e a descida do gradiente) funcionam melhor:

z = (x - mean) / std

Use o desvio padrão populacional: std = √(Σ(x - mean)² / n). Se std for 0 (todos os valores iguais), retorne 0 para cada valor.

Implemente z_scores(values).

Entrada

values: Os valores de uma variável.

Saída

Retorne o z-score de cada valor, na mesma ordem.

Restrições

1 ≤ tamanho ≤ 10.000

-1.000.000 ≤ cada valor ≤ 1.000.000

Exemplos

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

Saída 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};

Saída 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};

Saída 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]

Saída esperada:
expected = [0.0, 0.0]

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

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

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

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

Referências

Este desafio foi adaptado para o CodeUtility. Siga o enunciado e as restrições acima.

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