4509. 归一化处理

在机器学习中，对数据进行归一化处理是一种常用的技术。

将数据从各种各样分布调整为平均值为 00、方差为 11 的标准分布，在很多情况下都可以有效地加速模型的训练。

这里假定需要处理的数据为 nn 个整数 a1,a2,⋯,ana1,a2,⋯,an。

这组数据的平均值：

a¯=a1+a2+⋯+anna¯=a1+a2+⋯+ann

方差：

D(a)=1n∑i=1n(ai−a¯)2D(a)=1n∑i=1n(ai−a¯)2

使用如下函数处理所有数据，得到的 nn 个浮点数 f(a1),f(a2),⋯,f(an)f(a1),f(a2),⋯,f(an) 即满足平均值为 00 且方差为 11：

f(ai)=ai−a¯D(a)−−−−√f(ai)=ai−a¯D(a)

输入格式

第一行包含一个整数 nn，表示待处理的整数个数。

第二行包含空格分隔的 nn 个整数，依次表示 a1,a2,⋯,ana1,a2,⋯,an。

输出格式

输出共 nn 行，每行一个浮点数，依次表示按上述方法归一化处理后的数据 f(a1),f(a2),⋯,f(an)f(a1),f(a2),⋯,f(an)。

如果你输出的每个浮点数与参考结果相比，均满足绝对误差不大于 10−410−4，则该测试点满分，否则不得分。

数据范围

全部的测试数据保证 n,|ai|≤1000n,|ai|≤1000，其中 |ai||ai| 表示 aiai 的绝对值。
且输入的 nn 个整数 a1,a2,⋯,ana1,a2,⋯,an 满足：方差 D(a)≥1D(a)≥1。

输入样例：

7
-4 293 0 -22 12 654 1000

输出样例：

-0.7485510379073613
0.04504284674812264
-0.7378629047806881
-0.7966476369773906
-0.7057985054006686
1.0096468614303775
1.9341703768876082

样例解释

平均值：a¯≈276.14285714285717a¯≈276.14285714285717
方差：D(a)≈140060.69387755104D(a)≈140060.69387755104
标准差：D(a)−−−−√≈374.24683549437134

#include <iostream>
#include <cstring>
#include <algorithm>
#include <cmath>
using namespace std;

const int N = 1010;
int w[N];
int n;
int main()
{
    cin>>n;
    int sum=0;
    for(int i=0;i<n;i++){
        cin>>w[i];
        sum+=w[i];
    }
    double avg=(double)sum/n;
    double d=0;
    
    for(int i=0;i<n;i++){
        d+=pow(w[i]-avg,2)/n;
    }
    d=sqrt(d);
    for(int i=0;i<n;i++)
    {
        double res=0;
        res=(w[i]-avg)/d;
        cout<<res<<endl;
    }
    
    
    return 0;
}