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。
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。
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）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
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)); }
std::valarray 快速原型但慎用于生产std::v 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。
alarray
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- 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(); }
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：
NaN 或 inf：用 std::isnan(x) 和 std::isinf(x) 预过滤，否则 (x - mean) 可能传播 nan
(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ddof = 1 → 分母为 0 → 返回 inf；需在函数开头加 if (data.size()
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。
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S / (n - ddof)，其中 S 是递推得到的 Sk
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）。