【无标题】

\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)−−−−√≈374.24683549437134D(a)≈374.24683549437134

代码如下：

`#include<stdio.h>`

#include<math.h>

int main()

{

float ave=0,fenmu=0;

int a[1000],n,i;

scanf("%d",&n);

for(i=0;i<n;i++)

{

scanf("%d",&a[i]);

ave+=a[i];

}

ave=ave*1.0/n;

for(i=0;i<n;i++)

{

fenmu+=(a[i]-ave)*(a[i]-ave);

}

fenmu=sqrt(fenmu*1.0/n);

for(i=0;i<n;i++)

printf("%f\n",(a[i]-ave)/fenmu);

return 0;

``

}