Стандартизация по z-оценке

Стандартизация масштабирует признак так, чтобы его среднее было 0, а стандартное отклонение — 1: так лучше всего работают многие модели (и градиентный спуск):

z = (x - mean) / std

Используйте стандартное отклонение генеральной совокупности: std = √(Σ(x - mean)² / n). Если std равно 0 (все значения одинаковы), верните 0 для каждого значения.

Реализуйте z_scores(values).

Входные данные

values: значения одного признака.

Выходные данные

Верните z-оценку каждого значения в том же порядке.

Ограничения

1 ≤ длина ≤ 10 000

-1 000 000 ≤ каждое значение ≤ 1 000 000

Примеры

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

Ожидаемый вывод:
expected = [-1.5, -0.5, -0.5, -0.5, 0.0, 0.0, 1.0, 2.0]

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

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

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

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

Ввод:
values = [3.0, 3.0]

Ожидаемый вывод:
expected = [0.0, 0.0]

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

Ожидаемый вывод:
std::vector<double> expected = {0.0, 0.0};

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

Ожидаемый вывод:
double[] expected = new double[] {0.0, 0.0};

Ссылки

Это задание адаптировано для CodeUtility. Следуйте условию и ограничениям выше.

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