python_math_stat/practica/stepik/tasks.py

a = input().split()
len_a = len(a) - 1
for index, number in enumerate(a):
   if len_a == 0:
      print (number)
   else:
      if index == 0:
         S = int(a[-1]) + int(a[1])
         b = str(S)
      elif index != 0 and index != int(len_a) :
         n_index_0 = int(int(a.index(number)) + 1)
         n_index_2 = int(int(a.index(number)) - 1)
         n_0 = a[n_index_0]
         N_2 = a[n_index_2]
         S1 = int(n_0) + int(N_2)
         b += " " + str(S1)
      elif index == int(len_a):
         S2 = int(a[0]) + int(a[-2])
         b += " " + str(S2)
         print (b)
x = [int(m) for m in str(b)]
print (x) в список
print (" ".join(b))

# initial_list = input().split()
# sum_list = []
# left_index = -1
# right_index = -len(initial_list) + 1
# middle_index = 0
# while middle_index < len(initial_list):
#     sum_list.append(initial_list[left_index] + initial_list[right_index])
#     left_index += 1
#     right_index += 1
#     middle_index += 1
# print(sum_list)
      

# a = [int(item) for item in input().split()]
# a2 = []
# for i in range(len(a)):
#     if len(a) == 1:
#         print(a[0])
#         break
#     else:
#         if i == 0:
#             a2.append(a[-1] + a[i + 1])
#         elif i > 0  and i != len(a) - 1:
#             a2.append(a[i - 1] + a[i + 1])
#         else:
#             a2.append(a[i - 1] + a[0])
# if a2 != 0:
#     for i in a2:
#         print(i, end=' ')

# a = input().split()
# a_sorted= a.sort()
# int=0
# for i, item in enumerate(a):
#    if len(a) == 1:
#       None
#    else:
#       # if a [i] == a [i+1]:
#       n = 
   
# a = input().split()
# a2 = []
# for item in a:
#    c = a.count(item)
#    if c > 1:
#       a2.append(item)
#    if c == 1:
#       None
# def del_dubl(a2):
#     seen = set()
#     seen_add = seen.add
#     return [x for x in a2 if not (x in seen or seen_add(x))]
# for i in del_dubl(a2):
#    print(i, end=' ')

#  удаление дубликатов           
# a = input().split()
# def del_dubl(a):
#     seen = set()
#     seen_add = seen.add
#     return [x for x in a if not (x in seen or seen_add(x))]
# print (del_dubl(a))

# n =3 
# a = [[0]*n]*n
# a[0][0]= 5
# print (a)
 

# from scipy.stats import f
# data = pd.DataFrame({1:[3,1,2],2:[5,3,4],3:[7,6,5]}) # Here 3 groups and we are going to compare them
# def odno_disp(data):
#     first_group = [i for i in data[1]] # Выделяем группы для операции над данными
#     second_group = [i for i in data[2]]
#     third_group = [i for i in data[3]]
#     number_of_groups = len([first_group,second_group,third_group])
    
#     all_groups = first_group+second_group+third_group # Все группы тут
#     mean_of_all_groups = np.mean(all_groups) # среднее значение всей группы
    
#     sum_of_squared_total = sum([(i-mean_of_all_groups)**2 for i in all_groups]) # Обьщая изменчивость наших данных, здесь мы расчитали сумму всех квадратов отклонение от среднего
#     df_of_sst = len(all_groups) - 1 # Число степеней свободы в SST
    
#     ssw1 = sum([(i-np.mean(first_group))**2 for i in first_group]) # для расчета суммы квадратов
#     ssw2 = sum([(i-np.mean(second_group))**2 for i in second_group]) # расчитаем сумму кв всех групп
#     ssw3 = sum([(i-np.mean(third_group))**2 for i in third_group])
#     sum_of_squared_within = ssw1+ssw2+ssw3 # сумма квадратов внутри групповая
#     df_of_ssw = len(all_groups) - number_of_groups # Число степеней свободы во внутри групповой
    
#     # Теперь узнаем на сколько наши групповые отклоняются от общегрупповых средних
#     for_minus_from_each_group = [first_group, second_group, third_group] # для минуса из каждых групп
#     sum_of_squared_between = sum([number_of_groups*(np.mean(i)-mean_of_all_groups)**2 for i in for_minus_from_each_group])
#     df_of_ssb = number_of_groups - 1
    
#     F = (sum_of_squared_between / df_of_ssb) / (sum_of_squared_within / df_of_ssw)
#     P_value = f.sf(F, df_of_ssb, df_of_ssw)
#     if P_value >= 0.05:
#         return f"Мы не отклоняем нулевую гипотезу так как P_value = {P_value}"
#     else:
#         return f"Мы отклоняем нулевую гипотезу то есть P value = {P_value}, H1 верна то есть минимум 2 данные различаются между собой в Генеральной совокупонсти"
# p = odno_disp(data)
#dd