Tous les défis
Facile 0 résolus 0 % de réussite

Standardisation par z-score

Centrez une variable en 0 et ramenez son écart-type à 1.

Ce que vous allez apprendre

  • Calculer la moyenne et l'écart type
  • Centrer et réduire une caractéristique
  • Gérer une variance nulle

Problème

La standardisation remet une variable à l'échelle pour qu'elle ait une moyenne de 0 et un écart-type de 1, ce qui convient le mieux à de nombreux modèles (et à la descente de gradient) :

z = (x - mean) / std

Utilisez l'écart-type de la population : std = √(Σ(x - mean)² / n). Si std vaut 0 (toutes les valeurs égales), renvoyez 0 pour chaque valeur.

Implémentez z_scores(values).

Entrée

values : les valeurs d'une variable.

Sortie

Renvoyez le z-score de chaque valeur, dans le même ordre.

Contraintes

1 ≤ longueur ≤ 10 000

-1 000 000 ≤ chaque valeur ≤ 1 000 000

Exemples

Exemple 1
Entrée :
values = [2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0]

Sortie attendue :
expected = [-1.5, -0.5, -0.5, -0.5, 0.0, 0.0, 1.0, 2.0]
Entrée :
std::vector<double> values = {2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0};

Sortie attendue :
std::vector<double> expected = {-1.5, -0.5, -0.5, -0.5, 0.0, 0.0, 1.0, 2.0};
Entrée :
double[] values = new double[] {2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0};

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

Explication

La moyenne vaut 40 / 8 = 5 et l'écart-type de la population √(32 / 8) = 2, donc 2 → (2 - 5) / 2 = -1.5, 4 → -0.5, 5 → 0, 7 → 1 et 9 → 2. Résultat : [-1.5, -0.5, -0.5, -0.5, 0, 0, 1, 2].

Exemple 2
Entrée :
values = [3.0, 3.0]

Sortie attendue :
expected = [0.0, 0.0]
Entrée :
std::vector<double> values = {3.0, 3.0};

Sortie attendue :
std::vector<double> expected = {0.0, 0.0};
Entrée :
double[] values = new double[] {3.0, 3.0};

Sortie attendue :
double[] expected = new double[] {0.0, 0.0};

Explication

Les deux valeurs égalent la moyenne, donc l'écart-type vaut 0 et les deux z-scores valent 0.

Comment l'aborder

Essayez d'abord seul, puis ouvrez les indices un par un.

Indice 1

Vous avez besoin du centre et de la dispersion de la feature, donc commencez par calculer la moyenne.

Indice 2

Utilisez l’écart-type de population, puis transformez chaque valeur selon son écart à la moyenne.

Indice 3

Quand toutes les valeurs sont identiques, la dispersion est nulle, donc chaque valeur standardisée doit être zéro.

Complexité attendue

temps O(n), espace supplémentaire O(1)

Références

Ce défi a été adapté pour CodeUtility. Suivez l'énoncé et les contraintes ci-dessus.

La meilleure solution validée de chaque codeur. Les plus rapides, les plus légères et les mieux notées passent devant.

Aucune solution validée pour l'instant. Résolvez-le et prenez la première place.

Apprenez des autres

Solutions de la communauté

Aucune solution publiée pour l'instant. Résolvez ce défi pour partager la première.