Python 协方差在numpy内部是如何实现的？

这是协方差矩阵的定义

矩阵中除主对角线外的每个元素（如果我没有错的话）简化为E（x{I}*x{j}）-均值（I）*均值（j），其中I和j是协方差矩阵的行号和列号

从numpy文档中

x = np.array([[0, 2], [1, 1], [2, 0]]).T
x
array([[0, 1, 2], [2, 1, 0]])    
np.cov(x)
array([[ 1., -1.],
   [-1.,  1.]])

第一行即[0，1，2]对应于X_{0} 第二行即[2，1，0]对应于X_{1} 由于随机变量的分布未知，如何计算X_{0}*X_{1}的期望值

---

谢谢。

只需检查代码即可。

\site packages\numpy\lib\function\u base.py中的
cov

def cov(m, y=None, rowvar=1, bias=0, ddof=None):
    """
    Estimate a covariance matrix, given data.

    Covariance indicates the level to which two variables vary together.
    If we examine N-dimensional samples, :math:`X = [x_1, x_2, ... x_N]^T`,
    then the covariance matrix element :math:`C_{ij}` is the covariance of
    :math:`x_i` and :math:`x_j`. The element :math:`C_{ii}` is the variance
    of :math:`x_i`.

    Parameters
    ----------
    m : array_like
        A 1-D or 2-D array containing multiple variables and observations.
        Each row of `m` represents a variable, and each column a single
        observation of all those variables. Also see `rowvar` below.


可能完全重复！这是开源代码的一个主要优势：您可以查看实现。
    if y is not None:
        y = array(y, copy=False, ndmin=2, dtype=float)
        X = concatenate((X,y), axis)

    X -= X.mean(axis=1-axis)[tup]
    if rowvar:
        N = X.shape[1]
    else:
        N = X.shape[0]

    if ddof is None:
        if bias == 0:
            ddof = 1
        else:
            ddof = 0
    fact = float(N - ddof)

    if not rowvar:
        return (dot(X.T, X.conj()) / fact).squeeze()
    else:
        return (dot(X, X.T.conj()) / fact).squeeze()