1.命令
numpy.cov(m, y=None, rowvar=True, bias=False, ddof=None, fweights=None, aweights=None)
2.参数
Parameters
----------
m : 一维或2维数组,每行代表一个特征,每列代表一个样本
y : 数组,可选
额外的变量和观测值,与m格式相同,可以认为y为m的延伸
rowvar : 布尔值,可选,默认为True
True: 行(特征)列(样本)
False:行(样本)列(特征)
bias : 布尔值,可选,默认为False
False: 无偏估计,协方差计算分母为n-1
True:有偏估计,协方差计算分母为n(n为样本数)
ddof : 整数,可选,默认值为None,对协方差公式分母的改写
1: 无偏估计(即使fweights` and `aweights` 被定义)
0:简单平均
fweights : 数组,可选
一维实数向量,表示频率权重,即每个样本被重复的次数
aweights : 数组,可选
一维样本向量的权重,权重越大,样本越重要;当ddof=0时可通过此向量设置不同样本权重
Returns
-------
out : n维数组
3.举例
![](https://i-blog.csdnimg.cn/blog_migrate/bf8eaeb427c33a0788f25c09b39f4307.png)