numpy中的方差、协方差、相关系数

1、np.var

数学上学过方差：$$ D(X)=\sum_{i\in [0,n)} ({x-\bar{x}})^2 $$
np.var()其实是均方差，均方差的意义就是将方差进行了平均化，从而使得此值不会随着数据的增多而发生变化。
np.std()是标准差，np.std()的平方等于np.var()，标准差在高斯分布中用$\sigma$表示。
不管是方差仍是标准差，它们衡量的都是二阶中心矩。为何是二阶而不是一阶？这是一个问题。

函数原型：numpy.var(a, axis=None, dtype=None, out=None, ddof=0, keepdims=<class numpy._globals._NoValue>)
计算张量a在axis轴上的方差

• a：一个ndarray，不必定是一维
• axis：可取值为None，int，int元组。当取值为None时，会把张量a展平成一维数组；当指定一个或多个int时，沿着axis指定的轴计算方差，其它轴的形状会保留。
• dtype：在计算方差的时候使用的数据类型，若是a是int类型的张量，计算方差时也会使用float32类型
• out：放置计算结果的数组，主要用于节省空间，out的维度必须保证正确
• ddof：int，ddof是“Delta Degrees of Freedom”，表示自由度的个数，在计算方差时，分子是各个值和均值的差的平方之和，分母为（N-ddof）
• keepdims：是否保留a的形状

返回值variance是一个ndarray

import numpy as np

a = np.random.randint(0, 10, (2, 3))
print(a)
print(np.var(a))
print(np.var(a, axis=0))
print(np.var(a, axis=1))
print(np.var(a, keepdims=True))
print(np.var(a, axis=0, keepdims=True))
print(np.var(a, axis=(0, 1)))

输出为

[[2 1 5]
 [7 3 0]]
5.666666666666667
[6.25 1.   6.25]
[2.88888889 8.22222222]
[[5.66666667]]
[[6.25 1.   6.25]]
5.666666666666667

关于ddof

import numpy as np

a = np.random.randint(0, 10, 4)
print(np.var(a), '=',np.sum((a - np.mean(a)) ** 2) / len(a))
ddof = 1
print(np.var(a, ddof=ddof), '=',np.sum((a - np.mean(a)) ** 2) / (len(a) - ddof))

2、np.cov

np.cov用来计算协方差
函数原型：numpy.cov(m, y=None, rowvar=True, bias=False, ddof=None, fweights=None, aweights=None)
首先理清两个概念：

• variable：变量，也就是feature
• observation：观测，也就是样本

参数介绍：

• m是一个一维向量或者二维矩阵，当m为一个向量时，它至关于一个1行n列的矩阵，最终输出的协方差矩阵为$1\times 1$的矩阵（也就是一个标量）。当m是一个二维矩阵时，它的每一行表示一个feature（numpy官方文档称之为variable），每一列表示一个样本（observation）。咱们想要知道的是feature之间的相关性。假设m是n行k列的二维矩阵，那么输出为$n\times n$的协方差矩阵。
• y和m同样，能够是一维向量，也能够是二维矩阵。y至关于给m添加了若干个新行，也就是m=np.hstack(m,y)。y的列数必须和m一致，不然无法把m和y的行拼起来。实际上，这个参数是无关紧要的，由于单单用m矩阵就足够了。举例来讲，m是一个n行k列的矩阵，y是一个p行k列的矩阵，那么把m和y拼起来获得一个（n+p）行k列的矩阵。在这个矩阵上计算协方差，获得一个（n+p）阶的方阵。
• rowvar是一个布尔值，用来描述矩阵m和矩阵y的信息。默认状况下，m矩阵的一行对应一个feature，一列对应一个样本，每一个feature就被称为variable，rowvar的意思是每行表示一个feature。此值默认为True。
• bias，在计算协方差时，若是bias=True，分母为N（N表示样本数，也就是观测个数），表示有偏估计；默认状况下，此值为False，分母为N-1表示有偏估计。这个问题略微复杂。
• ddof:表示自由度，当此值不为None，分母为N-ddof。当此值不为None时，bias参数失效。
• fweights：一个一维整型数组，表示每一个观测出现的次数。提供此参数的目的是，防止m矩阵过大。
• aweights：一个一维浮点数组，表示每一个观测的权重。权重大代表这个观测准确，权重小代表这个权重不过重要。

返回值：out一个方阵，它的维数等于feature的个数。

数学上的协方差的定义：
$$ cov(X,Y)= (X-\bar{X})\cdot (Y-\bar{Y}) $$
此式中，X和Y皆为向量。方差是特殊的协方差D(X)=cov(X,X)。协方差表示的是两个向量的关联程度，其实就至关于：把两个向量中的变量进行中心化（减去均值），而后计算剩余向量的内积。
np.cov和数学上的协方差并不同，在无偏估计状况下：$np.cov=\frac{cov}{n-1}$；在有偏估计状况下，$np.cov=\frac{COV}{n}$。其中n表示X向量和Y向量的维度。
例子：方差是特殊地协方差

a = [1, 2, 3, 4, 6] 
print(np.cov(a), np.var(a) * len(a) / (len(a) - 1))

例子：两个变量的协方差

import numpy as np
a, b = np.random.rand(2, 4)
print(np.cov(a, b))
print(np.cov([a, b]))
print(np.dot(a - np.mean(a), b - np.mean(b)) / (len(a) - 1))

例子：理解m和y的关系

import numpy as np

a = [[1, 2], [4, 7]]
b = [[7, 16], [17, 8]]
c = np.cov(a, b)
print(c)
print(np.vstack((a,b)))
print(np.cov(np.vstack((a, b))))

3、np.correlate

数学上相关系数的定义：$$ \ro(X,Y)=\frac{cov(X,Y)}{\sqrt{cov(X,X)\times cov(Y,Y)}}$$
函数原型：numpy.corrcoef(x, y=None, rowvar=True, bias=<class 'numpy._globals._NoValue'>, ddof=<class 'numpy._globals._NoValue'>)

理解了np.cov()函数以后，很容易理解np.correlate()，两者参数几乎如出一辙。
np.cov()描述的是两个向量协同变化的程度，它的取值可能很是大，也可能很是小，这就致使无法直观地衡量两者协同变化的程度。相关系数其实是正则化的协方差，n个变量的相关系数造成一个n维方阵。

参数介绍：

• x：一个一维向量或者二维矩阵，每行表示一个feature，每列表示一个样本
• y：列数和x一致，用来和x进行拼接，至关于添加了|y|个feature。
• rowvar：布尔值，默认为True，表示每行表示一个feature，也就是每行表示一个variable。
• bias：已废弃，不要使用它。
• ddof：已废弃，不要使用它。

返回值：R一个n维方阵，n的个数和变量的个数相同。

参考资料

PCA实现