必须区分总体方差（σ²=Σ(xᵢ−μ)²/n）和样本方差（s²=Σ(xᵢ−x̄)²/(n−1)），c++中需用std::vector、std::mt19937及两遍扫描法稳健计算，注意类型转换与nan处理。
方差和标准差的数学定义必须先搞清
很多初学者直接套公式却算错，根源在于混淆了「总体方差」和「样本方差」。C++里没有内置统计函数，你得自己算——但先得知道该用哪个公式：
总体方差用 σ² = Σ(xᵢ − μ)² / N，标准差是它的平方根；
样本方差用 s² = Σ(xᵢ − x̄)² / (N−1)（注意分母是 N−1），这是无偏估计。
实际中，除非你拥有全部数据（比如某次完整考试的所有分数），否则默认按样本处理。
用 std::vector 存数据，避免裸数组越界
随机数生成后别存在 C 风格数组里——容易忘检查边界，一越界就崩溃。用 std::vector 更安全，还能自动记长度：
• 生成随机数时，用 std::mt19937 配合 std::uniform_real_distribution 或 std::uniform_int_distribution，比 rand() 可靠得多
• 计算均值前先判空：if (data.empty()) return std::nan("0")
• 求和用 double sum = std::accumulate(data.begin(), data.end(), 0.0)，别用 int 累加，防溢出
两遍扫描比单遍更稳，别迷信“优化”
有人搜到“单遍算法”想一步到位，但浮点误差在小样本或数量级差异大的数据里会明显放大。稳妥做法是老老实实扫两遍：
• 第一遍算均值 mean
• 第二遍算平方差之和：double sq_sum = 0.0; for (double x : data) sq_sum += (x - mean) * (x - mean);
• 样本方差：用 sq_sum / (data.size() - 1)；总体方差：用 sq_sum / data.size()
• 标准差就是 std::sqrt(variance)，记得包含 <cmath></cmath>
常见错误：忘记类型转换和 NaN 处理
这坑踩过的人不少：
• data.size() 返回 size_t，直接参与除法会导致整数截断——必须显式转成 double，比如 static_cast<double>(data.size())</double>
• 当 data.size() == 1 时，样本方差分母为 0，sq_sum / 0.0 得 inf，不是报错而是静默失效
• 建议加保护：若 data.size() ，样本标准差应返回 <code>std::numeric_limits<double>::quiet_NaN()</double>，调用方能感知异常
最易被忽略的是数据分布本身——如果随机数范围极大（比如 1e9 和 -1e9 混在一起），(x − mean)² 可能溢出 double；此时得改用更高精度或中心化预处理。不过对一般教学或小规模模拟，上面四步足够跑通。
C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
