Pandas 和 Numpy的标准差计算结果不一样

用pandas来实现对df的CV计算，为了验证准确性，抽了一列用np.array.std()检验，发现二者计算结果竟然不一样！

#pandas
cur_res['mean']=df.mean().values
cur_res['std']=df.std().values
cur_res['cv']=df.std().values/array.mean().values
#pandas结果（单独拿了一行）
#mean 0.006429
#std  0.002504
#cv 0.389481


#numpy
a=np.array([0.0062,0.0059,0.0065,0.0081,0.0015,0.0073,0.0095])
a_std=a.std()
a_mean=a.mean()
a_cv=a.std()/a.mean()
#numpy结果
#mean 0.006429  
#std  0.002318 
#cv 0.36059

根据结果可见，mean计算一致，但std这里出现不一致，导致最后cv结果也不同。
经查，在默认情况下，

• numpy计算的为总体标准偏差，ddof=0。
  使用场景为：拥有所有数据的情况下，计算所有数据的标准差时使用，即最终除以n，而非n-1。
• pandas计算的为样本标准偏差，ddof=1。
  使用场景为：只有部分数据但需要求得总体的标准差时使用，当只有部分数据时，根据统计规律，除以n时计算的标准差往往偏小，因此需要除以n-1，即n-ddof。

需要根据实际数据情况来选择合适的函数。

在我的数据里，样本量偏少，仅是几次实验结果，并不是总体数据，而我想要得到总体分布的离散程度，则需要使用n-1的标准差计算方式。所以以pandas计算结果为准。