协方差不仅仅是一个数字。这是一项措施。它的价值很难解读。只考虑到价值，就更难了。这就是为什么通常使用相关性而不是协方差(作为它的升级版本(。值
我遇到了Pandas滚动相关性的一个奇怪行为。在下面的代码片段中，我假设v1 == v2是真的，但事实并非如此。这导致了滚动相关性中的inf(c1与c2，其中c2很好，但在我看来c1是"错误的"(：
import pandas as pd
a = pd.Series([1e5, 0, 0, 0, 0])
b = pd.Series([9.45] * 5)
c1 = a.rolling(5).corr(b).iloc[4]
c2 = a.corr(b)
v1 = a.rolling(5).cov(b).iloc[4]
v2 = a.cov(b)
我在多台机器上测试了它，abs(v1)是O(1e-11(，v2是0，c是inf。这是否是已知问题？为什么滚动cov与香草cov不同？
0和1e-11不同但具有相同的含义——样本似乎没有线性关系。
关于计算，pandas.Series.cov(pandas.Series)和pandas.Series.rolling(..., ddof=...).cov(pandas.Series)分别使用(略微？(不同的算法：numpy-cov和rolling-cov(实际上是ewmcov(。