最稳妥方式是用std::accumulate两遍遍历：先求均值，再算平方偏差均值；样本方差除以n-1，总体方差除以n；需预检查NaN/inf、空容器及分母为零。
用 std::accumulate 手动计算方差和标准差最稳妥
标准库没有内置的方差或标准差函数，std::valarray 虽有 sum() 但不支持直接求均值平方差；依赖第三方库（如 Boost.Math）会增加构建复杂度。实际项目中，用 std::accumulate 两遍遍历是最可控的方式：第一遍算均值，第二遍算平方偏差均值。
- 必须先求平均值
mean，再遍历计算(x - mean) * (x - mean)，不能合并成单次 accumulate —— 否则会因浮点精度丢失导致方差为负（尤其数据量大、数值集中时） - 样本方差用
n-1作分母（贝塞尔校正），总体方差用n；C++ 里需显式判断并传入ddof = 0或1 - 输入容器应为
std::vector或类似可迭代浮点序列，避免整数除法截断
#include#include #include double variance(const std::vector
& data, int ddof = 0) { if (data.empty()) return 0.0; double mean = std::accumulate(data.begin(), data.end(), 0.0) / data.size(); double sum_sq_diff = std::accumulate(data.begin(), data.end(), 0.0, [mean](double acc, double x) { return acc + (x - mean) * (x - mean); }); return sum_sq_diff / (data.size() - ddof); } double stddev(const std::vector
& data, int ddof = 0) { return std::sqrt(variance(data, ddof)); }
用 std::valarray 快速原型但慎用于生产
std::valarray 支持向量化运算，写起来简洁，但存在隐式拷贝开销、不支持迭代器、且部分老编译器（如 MSVC 2015 前）实现不全。仅建议在小规模数据、快速验证公式时使用。
-
valarray的sum()返回double，但中间运算可能触发 promotion 规则，若原始类型是float，结果仍可能是float，导致精度不足 - 无法直接对
valarray做“减去标量均值”操作而不生成临时对象，内存效率不如手写循环 - 以下写法看似短，但每次
- mean都构造新valarray，不适用于大数据集
#include#include double variance_valarray(const std::valarray
& v) { if (v.size() == 0) return 0.0; double mean = v.sum() / v.size(); std::valarray diff = v - mean; return (diff * diff).sum() / v.size(); }
遇到 nan 或负方差？检查输入和溢出路径
调用后得到 nan 或 variance 返回负值，几乎一定是以下原因：
- 输入含
NaN或inf：用std::isnan(x)和std::isinf(x)预过滤，否则(x - mean)可能传播nan - 数据范围过大导致
(x - mean) * (x - mean)溢出double（如x ≈ 1e155），此时应改用 Welford 在线算法避免大数相减 - 容器大小为 1 且
ddof = 1→ 分母为 0 → 返回inf；需在函数开头加if (data.size()
性能敏感场景用 Welford 算法单趟完成
当数据来自流式输入（如传感器、文件逐行读取）、不能存全量或内存受限时，Welford 方法可在一次遍历中累积计算方差，且数值稳定性优于两遍法。
立即学习“C++免费学习笔记（深入）”；
- 核心是维护
Mk（当前均值）和Sk（平方和修正项），递推更新，无须存储全部数据 - 最终方差为
S / (n - ddof)，其中S是递推得到的Sk - 注意：初始
M = 0.0, S = 0.0, n = 0，每来一个x更新一次，n从 1 开始计数
struct Welford {
double M = 0.0, S = 0.0;
size_t n = 0;
void add(double x) {
n++;
double delta = x - M;
M += delta / n;
S += delta * (x - M);
}
double variance(int ddof = 0) const {
return n <= static_castzuojiankuohaophpcnsize_tyoujiankuohaophpcn(ddof) ? 0.0 : S / (n - ddof);
}
double stddev(int ddof = 0) const {
return std::sqrt(variance(ddof));
}};
Welford 算法的数值稳定性常被低估——它真正难处理的是极端情况：比如所有数都接近 1e308，此时 delta 计算仍可能失真。这种时候，要么换更高精度类型（long double），要么做预平移（减去估计均值再算）。
