numpy.corrcoef 默认按行计算，即 rowvar=True，每行视为一个变量、每列视为一个观测值；若数据为标准格式 (n_samples, n_features)，需显式设 rowvar=False 才能得到正确的 n_features × n_features 相关系数矩阵。
corrcoef 函数默认按行还是按列计算？
numpy.corrcoef 默认把**每一行当作一个变量（观测序列）**，行内元素是该变量在不同样本上的取值。也就是说，它默认 rowvar=True。如果你传入的是「特征在列、样本在行」的常规数据矩阵（比如 shape 为 (100, 5) 表示 100 个样本、5 个特征），直接调用 np.corrcoef(X) 会错误地把 100 当作变量数、5 当作样本数，结果矩阵大小变成 100×100，完全不可用。
正确做法是显式设 rowvar=False：
import numpy as np X = np.random.randn(100, 5) # 100 样本，5 特征 R = np.corrcoef(X, rowvar=False) # 输出 5×5 相关系数矩阵
常见错误现象：ValueError: array must have at least two rows 或得到巨大且无意义的矩阵——大概率就是忘了 rowvar=False。
传入两个一维数组时 corrcoef 返回什么形状？
当传入两个 1D 数组 a 和 b，np.corrcoef(a, b) 默认仍按行处理，把 a 当第 0 行、b 当第 1 行，返回 2×2 矩阵，其中非对角线元素才是你要的皮尔逊相关系数。
关键点：
- 结果矩阵对称，
R[0,1]和R[1,0]相同 - 对角线恒为 1（自己和自己完全相关）
- 若只要标量值，直接取
np.corrcoef(a, b)[0,1]
示例：
a = np.array([1, 2, 3, 4]) b = np.array([2, 4, 6, 8]) r = np.corrcoef(a, b)[0,1] # 得到 1.0
corrcoef 对 NaN 值怎么处理？
np.corrcoef **不自动跳过 NaN**。只要输入数组中任意位置有 NaN，整行或整列（取决于 rowvar 设置）参与计算时就会让对应相关系数变成 nan。
Python 3.14.3
微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。
解决方法不是靠 corrcoef 自身参数（它没有 nan_policy 这类选项），而是预处理：
- 用
np.nan_to_num(X, nan=np.nan)不解决问题，只是填充 - 推荐先用
sklearn.preprocessing.StandardScaler或手动 z-score，并配合np.isfinite掩码剔除含NaN的样本 - 更稳妥：改用
scipy.stats.pearsonr（只支持两变量）或pandas.DataFrame.corr（默认min_periods=1且可设method='pearson'，自动 skip NaN）
注意：np.corrcoef 没有类似 pandas 的 dropna 行为，这点容易被忽略。
为什么 corrcoef 结果里出现 inf 或 -inf？
这通常是因为某一行（或某一列，取决于 rowvar）**标准差为 0** —— 即该变量所有值完全相同（如全为 5.0）。此时分母为 0，相关系数数学上无定义，NumPy 返回 inf 或 -inf（取决于符号传播）。
检查方式：
stds = np.std(X, axis=0, ddof=0) if rowvar=False else np.std(X, axis=1, ddof=0)
print("常量特征索引:", np.where(stds == 0)[0])
修复建议：
- 提前过滤掉标准差为 0 的列（特征），否则相关矩阵不可逆，后续做 PCA 或回归会出问题
- 不要依赖
np.corrcoef自动警告——它静默返回inf - 可加一层封装：计算前用
np.allclose(stds, 0)报错或跳过
这个 inf 问题在线性代数下游任务中破坏力很强，但错误源头往往藏得深，容易漏查。
