4. 统计基础：均值、方差、协方差

进入批次偏差校正之前，得先把统计基础捋一遍。说白了，均值、方差、协方差这三个东西，贯穿了我们整个校正流程。你可能觉得它们太基础了，但我在项目里见过太多人就是因为对这几个概念理解得不够透，导致校正结果一塌糊涂。

4.1 均值：数据的重心在哪

均值大家最熟悉了，就是平均值。但在批次偏差的语境下，它的意义远比“加起来除以总数”要深。均值告诉我们，每个批次的“重心”在哪里。如果A批次的平均分是75，B批次是80，那这两个批次就有5分的系统偏差。

我个人习惯在计算批次均值时，先看一眼数据分布。有一次在给银行做风控评分对接时，某个批次的打分分布严重左偏，均值被拉低了很多。如果直接拿均值去校正，反而会引入新的偏差。

μ_weighted = Σ(w_i * x_i) / Σ(w_i)

怎么算均值？用Python就是一行的事：

import numpy as np

scores_A = [72, 75, 68, 80, 74]
scores_B = [81, 79, 82, 78, 80]

mean_A = np.mean(scores_A)
mean_B = np.mean(scores_B)

print(f"A批次均值: {mean_A:.2f}")  # 输出 73.80
print(f"B批次均值: {mean_B:.2f}")  # 输出 80.00

结果很清楚，两个批次均值差了6.2分。这就是我们需要校正的“批次间偏差”。

4.2 方差与标准差：数据有多散

均值能告诉我们批次的重心，但光有重心还不够。你得知道这批数据分得有多散。方差衡量的是数据点与均值的偏离程度，标准差则是方差的平方根，跟原始数据同一个量级，更好理解。

我在项目中遇到过这样的事：两个批次均值一模一样，都是75分，但A批次的标准差是5，B批次的标准差是15。这说明B批次的评分很不稳定，有的给得太高，有的给得太低。如果只看均值校正，那B批次里的极端样本就会成为隐患。

计算方差和标准差的代码：

var_A = np.var(scores_A, ddof=1)  # 样本方差，ddof=1
std_A = np.std(scores_A, ddof=1)

var_B = np.var(scores_B, ddof=1)
std_B = np.std(scores_B, ddof=1)

print(f"A批次: 方差={var_A:.2f}, 标准差={std_A:.2f}")
print(f"B批次: 方差={var_B:.2f}, 标准差={std_B:.2f}")

你可能注意到我用了ddof=1。这是样本方差的计算方式，除的是n-1而不是n。统计学里这个叫无偏估计，具体原理以后再说，你记住现在用ddof=1就对了。

4.3 协方差与相关性：变量之间的“默契”

到了协方差这里，事情开始有趣了。均值看单个变量的集中趋势，方差看单个变量的离散程度，而协方差看的是两个变量之间的“同步性”。

举个例子。假设我们有两个评分维度：逻辑能力分和表达通顺分。如果一个人在逻辑能力上得分高，表达通顺分也高，那这两者就是正相关，协方差为正。如果一个维度得分高时另一个维度得分低，协方差就是负的。

在批次偏差校正中，协方差非常关键。你想想看，单一的均值校正可能只修正了批次的整体偏移，但不同维度之间的联合偏移却可能被忽略。

协方差计算也很简单：

logic_scores = [70, 85, 60, 90, 75]
express_scores = [68, 82, 65, 88, 78]

cov_matrix = np.cov(logic_scores, express_scores)
cov_val = cov_matrix[0, 1]

print(f"逻辑能力与表达通顺的协方差: {cov_val:.2f}")

但协方差有个缺点：它的数值受量纲影响很大。逻辑能力分如果是0-100，协方差可能很大；如果逻辑能力分被归一化到0-1，协方差就很小。所以我们更常用的是相关系数，就是把协方差标准化一下：

corr_matrix = np.corrcoef(logic_scores, express_scores)
corr_val = corr_matrix[0, 1]

print(f"皮尔逊相关系数: {corr_val:.3f}")

相关系数的取值在-1到1之间，绝对值越接近1，说明线性关系越强。在实际项目中，我一般设个阈值：|r| > 0.7就算强相关，需要重点关注。

4.4 三者关系：一张图说清楚

均值、方差、协方差，它们不是孤立的。尤其在批次偏差校正场景下，它们组成了一个完整的统计画像：均值告诉你每个批次的位置，方差告诉你批次内部的波动，协方差告诉你多个维度之间的“默契程度”。

下面这张图概括了它们的关系。我个人经常用它来跟团队对齐思路，效果还不错：

4.5 实战中的常见问题

道理都懂，但真到了项目里，你会发现很多坑。我整理了几个真实案例里踩过的坑：