np.cov()默认rowvar=True易致维度错误，正确用法是显式指定rowvar=False；ddof应根据场景选0或1；超大数组需避免全量居中；含nan或整型数据会引发隐式错误。
np.cov() 默认行为会把每行当一个变量，容易搞反维度
很多人一上来就写 np.cov(data)，结果发现输出矩阵形状不对、数值离谱——问题大概率出在 rowvar 参数上。NumPy 默认 rowvar=True，即认为你的数据是「变量数 × 样本数」布局（比如 3 行 1000 列表示 3 个变量、1000 个样本）。但现实中绝大多数 DataFrame 或 np.array 都是「样本数 × 特征数」布局（1000 行 3 列）。不显式指定 rowvar=False，就会把 1000 个样本误当成 1000 个变量来算，协方差矩阵直接变成 1000×1000，内存爆掉还报错。
正确写法必须带参数：
-
np.cov(data, rowvar=False)—— 适用于 shape 为 (n_samples, n_features) 的常规数据 - 如果真要按行当变量（极少见），才用
rowvar=True，但务必确认 shape 合理
大规模数据下内存和精度的取舍：ddof=0 还是 ddof=1？
默认 ddof=1（即除以 n−1）是为了无偏估计，统计学上更“标准”，但对百万级样本来说，除以 n 还是 n−1 几乎没差别，却能省下一次减法和除法开销。更重要的是：ddof=0 会让 NumPy 内部跳过一些校验逻辑，在超大数组上快 5%–10%。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 做探索性分析或特征工程时，用
ddof=0完全可接受，且更稳定 - 发论文或交付严格统计报告时，保留
ddof=1 - 永远不要依赖
np.cov自动推断ddof，显式写出来
超过内存容量时，别硬算整个协方差矩阵
假设你有 100 万样本、200 个特征，np.cov(data, rowvar=False) 会先生成一个 200×200 的 float64 矩阵（约 320 KB），这本身没问题。但如果你的数据是 (1000000, 200)，中间居中操作 data - data.mean(axis=0) 会复制一份同样大小的数组（约 1.6 GB），极易触发 MemoryError。
更稳妥的做法是分块中心化或绕过显式居中：
- 用
np.dot手动计算：先算mean_vec = np.mean(data, axis=0)，再用(data.T @ data) / (n-1) - np.outer(mean_vec, mean_vec)，避免存居中后的全量数组 - 对单列协方差（比如只关心某两个特征），直接用
np.cov(col_a, col_b, ddof=0)[0,1]，不加载整表 - 用 Dask 或 Vaex 处理真正超大规模数据，NumPy 本身不适合 >50 GB 的原始矩阵
协方差矩阵对角线不是方差？检查数据类型和缺失值
有时你发现 np.cov(data, rowvar=False)[0,0] 和 np.var(data[:, 0], ddof=1) 不相等，常见原因只有两个：
- 数据含
np.nan：np.cov默认不忽略 NaN，结果全为nan；必须加nan_policy='omit'（注意：这会导致有效样本数变化，各列有效 n 可能不同） - 数据是整型（如
int64）：协方差计算中涉及除法，整型数组会静默截断为 0；务必提前转成float32或float64，例如data = data.astype(np.float64)
这两个坑在批量处理多个 CSV 或数据库导出数据时高频出现，且错误不报异常，只默默返回错误数值。
