文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

文档反馈

mindspore.numpy.cov

mindspore.numpy.cov(m, y=None, rowvar=True, bias=False, ddof=None, fweights=None, aweights=None, dtype=None)[源代码]

给定数据和权重，估算一个协方差矩阵。

协方差表示两个变量共同变化的程度。如果以N维样本为例， $X = [x_{1}, x_{2}, . . x_{N}]^{T}$ ，则协方差矩阵元素 $C_{i j}$ 是 $x_{i}$ 和 $x_{j}$ 的协方差。元素 $C_{i i}$ 是 $x_{i}$ 的方差。

说明

fweights 和 aweights 必须都为正，在NumPy中，如果检测到负值，将引发ValueError。在MindSpore中，所有值将转化为正值。

参数：

m (Union[Tensor, list, tuple]) - 一个1-D或2-D的Tensor，包含多个变量和观测值。 m 的每一行代表一个变量，每一列代表所有变量的某一观测值。另请见下述 rowvar 。
y (Union[Tensor, list, tuple], 可选) - 一个附加的变量和观测值的集合。 y 的形式与 m 相同，默认值： None。
rowvar (bool, 可选) - 如果 rowvar 为 True (默认值)，则每行代表一个变量，每列代表一个观测值。否则，关系被转置：每列代表一个变量，每行代表一个观测值。
bias (bool, 可选) - 默认的归一化( False )是通过 $N - 1$ 计算的，其中 $N$ 是观测值的数量。如果 bias 为 True ，则归一化通过 $N$ 计算。这些值可通过关键词 ddof 被覆盖。
ddof (int, 可选) - 如果不为 None，由 bias 设定的默认值将被覆盖。请注意，即使指定了 fweights 和 aweights， $d d o f = 1$ 也将返回无偏估计， $d d o f = 0$ 将返回简单平均值。默认值： None 。
fweights (Union[Tensor, list, tuple], 可选) - 一个1-D的整数频率权重Tensor。表示每个观测向量应该重复的次数。默认值： None 。
aweights (Union[Tensor, list, tuple], 可选) - 一个1-D的观测向量权重Tensor。被认为更重要的观测值的权重相对较大，被认为不那么重要的观测值的权重相对较小。如果 $d d o f = 0$ ，权重Tensor可用于给观测向量分配概率。默认值： None。
dtype (Union[mindspore.dtype, str], 可选) - 结果的数据类型。默认情况下，返回的数据类型将具有mstype.float32精度。默认值： None 。

返回：

Tensor，变量的协方差矩阵。

异常：

TypeError - 如果输入的类型不是上述指定类型。
ValueError - 如果 m 和 y 的维数错误。
RuntimeError - 如果 aweights 和 fweights 的维数大于2。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore.numpy as np
>>> output = np.cov([[2., 3., 4., 5.], [0., 2., 3., 4.], [7., 8., 9., 10.]])
>>> print(output)
[[1.6666666 2.1666667 1.6666666]
[2.1666667 2.9166667 2.1666667]
[1.6666666 2.1666667 1.6666666]]