Welford 算法计算的是样本方差（n−1 自由度），而 NumPy 的 np.var() 默认计算总体方差（n 自由度）；二者本质定义不同，并非浮点误差导致，只需统一自由度参数（如 ddof=1）即可精确一致。
welford 算法计算的是样本方差（n−1 自由度），而 numpy 的 `np.var()` 默认计算总体方差（n 自由度）；二者本质定义不同，并非浮点误差导致，只需统一自由度参数（如 `ddof=1`）即可精确一致。
在流式统计计算中，Welford 算法因其数值稳定性与单次遍历特性被广泛用于在线更新均值与方差。然而，初学者常误以为其输出应与 numpy.var() 完全一致，进而触发断言失败——如示例中 0.012 量级的偏差。该差异并非由浮点累积误差或实现缺陷引起，而是源于统计定义的根本区别：
- ✅ welford.var_s：样本方差（Sample Variance），分母为 $ n-1 $，用于从样本估计总体方差（无偏估计）；
- ✅ np.var(..., ddof=0)（默认）：总体方差（Population Variance），分母为 $ n $，假设数据即总体；
- ✅ np.var(..., ddof=1)：等价于 welford.var_s，分母为 $ n-1 $。
因此，正确对齐的关键在于显式指定自由度：
import numpy as np from welford import Welford random_sample = np.random.normal(0, 1, 100) # ✅ 匹配 Welford 的样本方差（无偏估计） np_var_sample = np.var(random_sample, ddof=1) # 默认 dtype 已足够精度 welford = Welford() welford.add_all(random_sample) np.testing.assert_allclose(np_var_sample, welford.var_s, atol=1e-12) # 通过 # ✅ 或匹配总体方差（有偏估计） np_var_pop = np.var(random_sample, ddof=0) np.testing.assert_allclose(np_var_pop, welford.var_p, atol=1e-12) # 同样通过
⚠️ 注意事项：
- 勿滥用 Decimal：Welford 的优势在于 float64 下的高效与稳定；Decimal 会严重牺牲性能且不解决定义性偏差；
- 明确业务语义：若用于假设检验、置信区间等推断统计，必须用 ddof=1（样本方差）；若描述已知总体（如全量日志统计），则 ddof=0 更合理；
- 验证一致性：建议始终用 np.testing.assert_allclose(..., atol=1e-12) 替代 assertAlmostEqual，以规避浮点比较陷阱。
总结：差异源于统计约定，而非数值缺陷。理解 ddof（Delta Degrees of Freedom）的含义并按需选择 var_s（样本）或 var_p（总体），即可在精度、效率与统计严谨性之间取得最佳平衡。
