应使用公开的cov()方法计算协方差矩阵，它自动处理数值列、跳过非数值列和含NaN行，默认ddof=1；与var()结果一致，但需注意ddof设置及非数值列被静默过滤。
用 cov() 算协方差矩阵，别直接调用 _cov()
根本不存在公开可用的 _cov() 方法——那是 Pandas 内部私有函数，带下划线开头，随时可能改名或删掉。你真正该用的是 cov()，它默认就返回协方差矩阵。
常见错误是看到源码里有 _cov() 就去硬调，结果报 AttributeError: 'DataFrame' object has no attribute '_cov' 或干脆静默失败。Pandas 所有公开协方差计算都走 cov()。
-
cov()默认对数值列两两配对计算，自动跳过非数值列和含NaN的行（pairwise） - 如果 DataFrame 里混着字符串、时间戳等类型，它们不会参与计算，也不会报错——但容易误以为“没算全”
- 想强制只用完整行（即 dropna='all' 那种），得显式传参：
df.cov(min_periods=1)不起作用，要用df.cov(ddof=0)控制自由度，但缺失值处理逻辑仍基于 pairwise
cov() 的 ddof 参数影响结果大小，不是要不要用的问题
默认 ddof=1（样本协方差），但很多人没意识到：如果你要和 NumPy 的 np.cov() 对齐，得注意后者默认 ddof=0（总体协方差）。两个结果会差一个系数倍数，不是 bug，是定义不同。
- 想和统计教材一致（样本估计）→ 保持默认
ddof=1 - 想和
np.cov(a, b, ddof=0)输出一致 → 显式写df.cov(ddof=0) -
ddof不影响哪些列参与计算，只缩放最终数值；哪怕只有一行有效数据，ddof=1会导致除零，返回NaN
协方差矩阵对角线不是“方差”，是“样本方差”——但和 var() 默认一致
执行 df.cov() 后，对角线元素确实是各列自身的协方差，也就是方差。但它和 df.var() 是否完全相等？是的——前提是两者 ddof 一致。
验证方法很简单：
df = pd.DataFrame({'a': [1,2,3], 'b': [4,5,6]})
mat = df.cov()
mat['a']['a'] == df.var()['a'] # True（默认都是 ddof=1）- 如果手动改了
df.cov(ddof=0)，那得对应用df.var(ddof=0)才相等 - 别拿
mat.iloc[0,0]和df['a'].std()**2直接比——因为std()默认ddof=1，平方后才匹配，但中间浮点误差可能让==失败，建议用np.allclose()
非数值列导致协方差矩阵变小，且不警告
这是最常被忽略的隐性坑：只要 DataFrame 里有一列是 object、category 或 datetime64，cov() 就自动过滤掉整列，只留下纯数值列参与计算。矩阵维度缩水，但控制台不提示、不报错、也不写日志。
- 检查方式：
df.select_dtypes(include='number').columns.tolist()—— 这才是cov()实际用的列 - 如果误把编码后的类别列（比如
pd.Categorical）当数值用，它会被跳过，协方差矩阵看起来“缺了一维” - 想强制包含某列？不行。Pandas 不支持对非数值类型定义协方差。必须先转换（如用
pd.get_dummies()或cat.codes），但要注意语义是否合理
协方差矩阵本身不告诉你变量间关系强弱，只反映线性协同方向与尺度；数值大小受原始量纲影响极大，真要看相关性得用 corr()。另外，cov() 结果是 float64，但输入若含 Int64（nullable int）或 boolean，会静默转为 float64 并引入 NaN，这点连文档都没强调。
