Todos los desafíos
Fácil 0 resueltos 0% de aceptación

Estandarización por puntuación z

Centra una variable en 0 y escálala a una desviación estándar de 1.

Lo que aprenderás

  • Calcular la media y la desviación típica
  • Centrar y escalar una característica
  • Manejar varianza cero

Problema

Ver original (inglés)

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

Ejemplo 1
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};

Explicación

La media es 40 / 8 = 5 y la desviación estándar poblacional es √(32 / 8) = 2, así que 2 → (2 - 5) / 2 = -1.5, 4 → -0.5, 5 → 0, 7 → 1 y 9 → 2. Resultado: [-1.5, -0.5, -0.5, -0.5, 0, 0, 1, 2].

Ejemplo 2
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};

Explicación

Ambos valores son iguales a la media, así que la desviación estándar es 0 y ambas puntuaciones z son 0.

Cómo abordarlo

Inténtalo primero por tu cuenta y luego abre las pistas una a una.

Pista 1

Necesitas el centro y la dispersión de la feature, así que empieza calculando la media.

Pista 2

Usa la desviación estándar poblacional y luego transforma cada valor según cuánto se aleja de la media.

Pista 3

Cuando todos los valores coinciden, la dispersión es cero, así que cada valor estandarizado debe ser cero.

Complejidad esperada

tiempo O(n), espacio extra O(1)

Referencias

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

Clasificación

Clasificación completa

La mejor solución aprobada de cada programador. Las más rápidas, ligeras y mejor valoradas van primero.

Aún no hay soluciones aprobadas. Resuélvelo y quédate el primer puesto.

Aprende de otros

Soluciones de la comunidad

Aún no hay soluciones publicadas. Resuelve este reto para compartir la primera.