应用场景
3.协方差：组间差异，描述多维数据
概率论和统计学中用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况，即当两个变量是相同的情况。
X = np.arange(5)
Y = np.array([10, 12, 14, 16, 18])
plt.figure(figsize=(12,6))
plt.subplot(131) ,plt.bar(X, X), plt.title("X")
plt.subplot(132) ,plt.bar(Y,Y), plt.title("Y")
plt.subplot(133) ,plt.plot(X,Y, 'o:'), plt.title("X vs Y")
covX = np.cov(X, ddof=0)
covY = np.cov(Y, ddof=0)
covXY = np.cov(X,Y, ddof=0)
print(f"X协方差：{covX}, Y协方差：{covY}, XY斜偏差： {covXY}")
##
方差：2.0，协方差：2.5
X协方差：2.0, Y协方差：8.0, XY协偏差： 4.0
X, Y 协方差为4.0 ，是正相关，从上面的图像我们也可以看到像x，y 变化是一致的。
注意：numpy cov 默认自由度为1.
协方差矩阵：[[2. 4.] [4. 8.]]， 既然协方差反应了相关性，那我们怎么衡量呢？皮尔逊相关性， 很简单，用协方差除以标准差即可，就是协方差归一化的过程：
4.标准误：衡量抽样误差，越小代表抽样数据越能反应总体的特征
