python与协方差

方差是用来描述一维数据的偏差关系，而协方差是用来描述二维及以上的随机变量关系。协方差用cov方法表示，如cov(x,y)为正值，则x,y的关系是正相关的，为负则是负相关的，为0则没有关联。

看以下代码：

x=[-2.1, -1,  4.3]
y = [3,  1.1,  0.12]
X = np.stack((x, y), axis=0)

此时X为：

array([[-2.1 , -1.  ,  4.3 ],
       [ 3.  ,  1.1 ,  0.12]])

此时，我们可以通过mean方法求x，y的平均值(期望)， var方法求方差：

np.var(x) # 7.806666666666666
np.var(y) # 1.4294222222222224
np.mean(x) # 0.3999999999999999
np.mean(y) # 1.4066666666666665

需要注意的是上面的var方法，默认是除以3，而下面的协方差则是除以3-1=2，可以通过ddof参数调节，即：

np.var(x,ddof=1)  = np.cov(x)

通过cov求协方差：

np.cov(x,y)
#array([[11.71      , -4.286     ],
#       [-4.286     ,  2.14413333]])

上面函数产生了四个值，排列起来如下：

cov(x,x)=11.71   cov(x,y)=-4.286

cov(y,x)=-4.286  cov(y,y)=2.14413333

这里面的值怎么来的？看下面公式：

按照上面的公式我们来算最后一个cov(y,y):

((3-np.mean(y))*(3-np.mean(y))+(1.1-np.mean(y))*(1.1-np.mean(y))+(0.12-np.mean(y))*(0.12-np.mean(y)))/2 

算出来正好为2.14413333，其它值也是一样。

x与y相乘结果如下：

list(map(lambda a,b:a*b,x,y))
#[-6.300000000000001, -1.1, 0.516]