numpy.cov()求协方差矩阵

numpy.cov(m, y=None, rowvar=True, bias=False, ddof=None, fweights=None, aweights=None)

对给定的数据和权重，估计协方差矩阵

协方差表示两个变量在一起变化的水平。如果我们检查N维样本，则X = [x_1，x_2，... x_N] ^ T，则协方差矩阵元素C_ {ij}是x_i和x_j的协方差。元素C_ {ii}是x_i的方差。

1.     参数

（1）         m :array_like

包含多个变量和观察值的1-D或2-D数组。M的每一行代表一个变量（即特征），每一列都是对所有这些变量的单一观察（即每一列代表一个样本）。 另见下面的rowvar。

（2）         y :array_like, optional

另外一组变量和观察结果。 y具有与m相同的形式。至于有什么作用，参考后面的实例。

（3）         rowvar : bool,optional

如果rowvar为True（默认值），则每行代表一个变量，并在列中显示（即每一列为一个样本）。 否则，关系被转置：每列代表变量，而行包含观察值。

（4）         bias : bool,optional

默认归一化（False）为（N-1），其中N为给定观测次数（无偏估计）。如果bias为True，则归一化为N. 这些值可以通过使用numpy版本> = 1.5中的关键字ddof来覆盖。

（5）         ddof : int,optional

如果不是，偏移所隐含的默认值将被覆盖。请注意，ddof = 1将返回无偏估计，即使指定了权重和权重，ddof = 0将返回简单平均值。详见附注。 默认值为None。

（6）         fweights :array_like, int, optional

整数频率权重组成的1-D数组; 代表每个观察向量应重复的次数。

（7）         aweights :array_like, optional

观测矢量权重的1-D数组。对于被认为“重要”的观察，这些相对权重通常很大，而对于被认为不太重要的观察，这些相对权重较小如果ddof = 0，则可以使用权重数组将概率分配给观察向量。

2. 实例