np.cov 默认按行计算协方差，即每行视为一个变量、每列视为一个样本；若数据为标准格式 (n_samples, n_features)，需显式设置 rowvar=false 才能得到正确的 n_features × n_features 协方差矩阵。
np.cov 默认按行还是按列计算协方差？
默认按**行**把每行当作一个变量（即观测维度），列是样本点——这和大多数机器学习场景的直觉相反，容易导致协方差矩阵形状错乱、特征相关性算反。
- 如果你的数据是
shape=(n_samples, n_features)（标准格式），直接传给np.cov会把每个样本当变量，结果矩阵是n_samples × n_samples，完全没用 - 正确做法是加参数
rowvar=False，告诉它“变量在列上”，此时才输出n_features × n_features协方差矩阵 - 不设
rowvar时，np.cov(X)等价于np.cov(X, rowvar=True)，别依赖默认值
为什么 np.cov(X.T) 和 np.cov(X, rowvar=False) 结果一样但要慎用？
两者数学等价，但 X.T 在高维或内存受限时可能触发复制开销，尤其对大数组；而 rowvar=False 是原地逻辑切换，更轻量。
-
np.cov(X.T)强制生成转置副本，若X是 100 万 × 100 的 float64，转置后多占约 800MB 内存 -
np.cov(X, rowvar=False)不额外分配，适合生产环境或 notebook 中反复调试 - 注意：如果
X是 Fortran-order（列优先）数组，X.T是 view，但rowvar=False依然更明确、可读性更强
NaN 值导致 np.cov 返回全 nan 怎么办？
np.cov 遇到任何 nan 就整行/整列失效，默认返回全 nan 矩阵，不是跳过或报错。
- 用
nan_policy='omit'参数可启用剔除含 nan 的样本对（pairwise deletion），这是最常用解法 - 不要用
nan_policy='propagate'（默认）或'raise'，前者静默失败，后者直接中断 - 示例：
np.cov(X, rowvar=False, nan_policy='omit')—— 它对每一对特征独立丢弃该对中任一为 nan 的样本行 - 注意：pairwise 删除可能导致协方差矩阵非正定，后续做 PCA 或 Cholesky 分解前需检查
协方差矩阵数值不准？检查数据是否已中心化
np.cov 内部会自动减均值，但前提是它能正确算出均值；若数据含 inf、极端离群值或 dtype 不匹配（如 int64 与 float32 混用），均值计算可能溢出或截断，导致协方差失真。
- 先用
np.isfinite(X).all()确保无 inf/nan - 显式中心化更可控：
X_centered = X - X.mean(axis=0)，再用np.dot(X_centered.T, X_centered) / (X.shape[0] - 1) - dtype 推荐统一为
float64，避免int32数组在求和时悄悄溢出 - 小样本（
n_samples ）下，样本协方差估计方差大，别急着下结论
协方差矩阵本身不标准化，数值大小严重依赖原始特征量纲；做特征分析前，通常得先标准化或直接用相关系数矩阵（np.corrcoef）。这点常被跳过，但直接影响后续解释。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
