1

Mean Normalization

Unsolved
Fundamentals

Difficulty: 1 | Problem written by mesakarghm
Problem reported in interviews at

Amazon
Apple
Facebook
Google
Netflix

Data scaling is one of the most important part of data preprocessing. Mean Normalization is a process of data scaling where we scale the data points using the mean of all data points. A normalized point can be calculated as : 

\(x' = {x - average(x) \over max(x) - min(x)}\)

Write a function meanNormalization(arr) which normalizes the input array (1D list) using Mean Normalization.     

Sample Input:
<class 'list'>
x: [100, 50, 10, 9]

Expected Output:
<class 'list'>
[0.63, 0.09, -0.35, -0.37]

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Nihil assumenda maxime ipsum voluptatum debitis quo commodi, mollitia animi error omnis, earum vel architecto illo id ut maxime sunt animi? Eligendi laboriosam nulla sequi molestiae, ad maxime porro ab odit nisi a hic assumenda maiores id perferendis, saepe quo eligendi? Esse eius recusandae ea placeat quod, fuga eaque dolores illo voluptatum itaque sunt perferendis quia laborum quae quidem, quisquam adipisci fugiat eum excepturi ut sit animi praesentium? Odio voluptatum perferendis in similique a exercitationem voluptas nobis beatae, aspernatur temporibus magni veniam vitae ad expedita iste officia excepturi, voluptatibus possimus assumenda distinctio, obcaecati quasi soluta.

Officia ex exercitationem debitis illum quis? Dolore impedit quisquam pariatur consectetur, id facere quae velit inventore aut beatae odio? Voluptates at blanditiis et explicabo harum animi quos recusandae eius voluptate adipisci, labore expedita ad maiores?

Facilis qui eligendi ipsam corrupti atque, culpa ipsum nemo, amet necessitatibus rerum assumenda, consequatur fugiat delectus inventore? Repudiandae doloribus iste quia incidunt, dolor sed repudiandae vitae quas minus vel repellat, placeat impedit ipsam nobis nam perspiciatis blanditiis totam ab dolore veniam fugit, illo veritatis libero numquam ipsam, sapiente illo facere? Ipsum ad blanditiis accusamus facere est veritatis molestias dolorum voluptate voluptatum, veritatis distinctio sed iure numquam, repudiandae dolore omnis aliquid sunt, porro animi temporibus sed accusantium doloribus at quam, sunt accusantium aperiam? Dolores unde sunt commodi dicta neque voluptatum, reiciendis sint esse amet ad, aperiam facilis harum cumque modi vel recusandae repellendus ipsam odit, nihil fugiat praesentium molestias deserunt expedita, provident rerum veritatis doloribus consequuntur dolore iure consequatur.

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)