np.cov默认按行视为变量，导致n_samples×n_features数据输出n_samples×n_samples矩阵；应设rowvar=False或转置，且需预先清洗NaN；np.corrcoef对标准差为0的列返回nan，须检查并剔除常量列。
用 np.cov 计算协方差矩阵时，为什么结果不是“变量×变量”形状？
默认情况下，np.cov 把每一行当作一个变量（即观测维度在列），这和多数统计建模习惯相反。如果你的数据是 n_samples × n_features（比如 100 行样本、5 列特征），直接传入会得到 100×100 的协方差矩阵，而非想要的 5×5。
- 加参数
rowvar=False显式指定“列是变量”，这是最稳妥的做法 - 或者先转置：
np.cov(data.T)，但可读性差且容易忘 - 注意：输入含
NaN会导致整行/列被丢弃（取决于nan_policy，但 NumPy 默认不支持该参数，需提前清洗或改用scipy.stats.covariance
用 np.corrcoef 得到相关系数矩阵，但数值全是 1 或 nan？
np.corrcoef 本质是标准化后的协方差，对每列做 (x - mean) / std 后调用 np.cov。出问题通常是因为某列标准差为 0（全相同值）或含 inf/NaN。
- 检查常量列：
np.std(data, axis=0)看是否有 0 值；若有，该列相关系数无定义，应剔除或标记 -
np.corrcoef不自动跳过NaN，必须先处理：data_clean = data[~np.isnan(data).any(axis=1)] - 它和
np.cov一样，默认按行解释变量，务必加rowvar=False - 返回值是对称矩阵，对角线恒为 1.0 —— 这是设计如此，不是计算错误
协方差矩阵与相关系数矩阵的数值差异大，哪个该用于后续分析？
协方差受量纲和尺度影响，不能跨变量比较大小；相关系数消除了量纲，适合判断线性关联强度。选哪个取决于下游任务：
- 主成分分析（PCA）通常用相关系数矩阵（等价于标准化后数据的协方差），避免高方差特征主导结果
- 多元正态分布建模、卡尔曼滤波等需要原始协方差，因为物理单位本身有意义
- 用
np.linalg.eig求特征向量前，确认矩阵是否已中心化——np.cov和np.corrcoef内部已减均值，无需额外操作 - 性能上无显著差异，两者复杂度都是 O(n²m)，m 是样本数
想同时拿到协方差、相关系数，还要带变量名标签？NumPy 本身做不到
np.cov 和 np.corrcoef 只返回 ndarray，没有列名、索引或元信息。硬要在 NumPy 里补，得自己构造字典或用 zip 配对：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
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
立即学习“Python免费学习笔记（深入）”；
import numpy as np
features = ['height', 'weight', 'age']
cov_mat = np.cov(data, rowvar=False)
cov_dict = {f'{a}-{b}': cov_mat[i, j]
for i, a in enumerate(features)
for j, b in enumerate(features)}但这样既难查又难维护。真要带标签，直接切到 pandas 更实际：pd.DataFrame(data, columns=features).cov() 或 .corr()，返回带行列名的 DataFrame，后续筛选、可视化都省心。
别指望 NumPy 补齐这些——它的定位就是数值计算内核，结构化操作交给更上层的工具。
