np.cov 默认按行计算协方差，即 rowvar=True，每行视为一个变量；若数据为(100,5)（100样本、5特征），默认返回(100,100)矩阵，需设 rowvar=False 才得正确(5,5)协方差矩阵。
np.cov 默认按行还是按列算协方差？
默认情况下，np.cov 把**每一行当作一个变量（特征），每列是一个观测样本**——这和统计学常规（列是变量、行是样本）相反，容易导致协方差矩阵形状错乱或结果不符合预期。
比如你有一个 shape 为 (100, 5) 的数据数组（100 个样本，5 个特征），直接调用 np.cov(data) 会返回一个 (100, 100) 的矩阵，而不是想要的 (5, 5) 协方差矩阵。
关键就在 rowvar 参数：
-
rowvar=True（默认）：每行是一个变量 → 行数决定变量数 -
rowvar=False：每列是一个变量 → 列数决定变量数
多维数组传入 np.cov 前必须 reshape 吗？
不需要强制 reshape，但必须确保输入是二维的。因为 np.cov 只接受 1D 或 2D 数组；若传入三维及以上（如 (10, 20, 3)），会直接报错 ValueError: Expected 1D or 2D array。
常见处理方式：
- 如果是图像类数据（如
(height, width, channel)），先明确你想对哪个维度计算协方差：比如把每个像素点的 RGB 当作一个 3 维样本，则需展平前两维：data.reshape(-1, 3) - 如果是时间序列批次（
(batch, time, feature)），想求所有时间步上各 feature 的协方差，就做：data.reshape(-1, feature) - 避免写
data.T后再设rowvar=False—— 容易绕晕，不如一步到位调整形状 + 显式设rowvar=False
rowvar=False 时，NaN 和缺失值怎么处理？
np.cov 本身不支持 nan_policy 参数（那是 scipy.stats.covariance 的），遇到 NaN 会直接返回全 nan 矩阵，或者在某些版本中抛出 RuntimeWarning: Degrees of freedom 。
安全做法是提前清理：
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 用
np.nanmean和np.nanstd检查缺失比例，再决定丢弃还是插补 - 删除含 NaN 的整行（样本）：
data = data[~np.isnan(data).any(axis=1)] - 若用插补，推荐列内均值填充（保持变量独立性）：
data = np.where(np.isnan(data), np.nanmean(data, axis=0), data)
注意：插补后务必重新检查，避免因广播错误导致某列全被填成同一个值，使协方差矩阵奇异。
协方差矩阵对称但数值不严格相等？
由于浮点误差，np.cov 返回的矩阵理论上对称，但 cov[i,j] 和 cov[j,i] 可能有微小差异（如 1e-16 级别）。这不是 bug，但会影响后续如 Cholesky 分解等操作。
稳妥做法是强制对称化：
cov = np.cov(data, rowvar=False) cov = (cov + cov.T) / 2
如果后续要用于 PCA 或白化，建议再加一行防奇异处理：np.fill_diagonal(cov, cov.diagonal() + 1e-10)，避免对角线因舍入变成 0。
真正容易被忽略的是：协方差矩阵是否中心化——np.cov 内部会自动减去均值，但前提是没用 ddof 错配或传入已中心化的数据又重复中心化。确认方式：手动验证 np.mean(cov, axis=1) 是否接近零向量。
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！
