我想找到几个（Z）列表的第一，第二，...个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，我要获取的均值和std *_Rank[0]，的均值和std *_Rank[1]等
（即：所有（A..Z）_rank列表中第一个数字
的均值和std；来自的第二个数字的均值和std所有（A..Z）_rank列表；
第三个数字的均值和std ...；等等）。

从Python 3.4 / PEP450开始statistics module，标准库中提供了一个，该库提供了一种stdev用于计算像您这样的可迭代对象的标准偏差的方法：

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

我将A_Rank等人放入二维NumPy数组中，然后使用numpy.mean()和numpy.std()计算均值和标准差：

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 ])

这是一些纯Python代码，可用于计算均值和标准差。

以下所有代码均基于statisticsPython 3.4+中的模块。

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：为提高浮点求和时的准确性，该statistics模块使用了自定义函数，_sum而不是sum我使用的内置函数。

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()以下方法计算标准差：

• 人口标准：仅使用numpy.std()数据列表之外的其他参数即可。
• 示例std：您需要将ddof（即Delta自由度）设置为1，如以下示例所示：

numpy.std（<您的列表>，ddof = 1）

计算中使用的除数为N-ddof，其中N表示元素数。默认情况下，ddof为零。

它计算样本std而不是总体std。

在python 2.7中，您可以使用NumPy numpy.std()给出总体标准差。

在Python 3.4中statistics.stdev()返回样本标准偏差。该pstdv()功能是一样的numpy.std()。

使用python，以下是几种方法：

import statistics as st

n = int(input())
data = list(map(int, input().split()))

方法1-使用功能

stdev = st.pstdev(data)

方法2：计算方差并求平方根

variance = st.pvariance(data)
devia = math.sqrt(variance)

方法3：使用基本数学

mean = sum(data)/n
variance = sum([((x - mean) ** 2) for x in X]) / n
stddev = variance ** 0.5

print("{0:0.1f}".format(stddev))

注意：

• variance 计算样本总体的方差
• pvariance 计算整个人口的方差
• 相似的差异stdev和pstdev

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在python中充分执行std dev，但没有人解释如何进行您所描述的怪异遍历。

我将假设AZ是整个人口。如果没有，请参阅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位数字的标准差/均值，您将需要如下所示：

#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]])

为了缩短代码并将其通用化为第n个数字，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，您可以像这样简单地从AZ获取所有n个位置的stdd和均值：

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

#mean
numpy.mean(getAllNthRanks(n))