以下是用 C++ 实现递推计算均值、方差和标准差的完整示例代码，基于 Welford 算法，适用于实时数据流或大数据场景：

#include <iostream>
#include <cmath>
#include <vector>

class RunningStats {
public:
    RunningStats() : n(0), mean(0.0), S(0.0) {}

    // 添加新数据点，更新统计量
    void update(double x) {
        n += 1;
        double delta = x - mean;
        mean += delta / n;          // 递推更新均值
        double delta2 = x - mean;
        S += delta * delta2;        // 递推更新平方和
    }

    // 获取当前均值
    double current_mean() const {
        return mean;
    }

    // 计算样本方差（无偏估计）
    double variance() const {
        if (n < 2) return 0.0;      // 避免除以0
        return S / (n - 1);
    }

    // 计算标准差
    double std_dev() const {
        return std::sqrt(variance());
    }

    // 重置统计量
    void reset() {
        n = 0;
        mean = 0.0;
        S = 0.0;
    }

private:
    int n;          // 数据点数量
    double mean;    // 当前均值
    double S;       // 平方和
};

int main() {
    RunningStats stats;
    std::vector<double> data_stream = {2.0, 4.0, 6.0, 8.0, 10.0};

    for (const auto& x : data_stream) {
        stats.update(x);
        std::cout << "新增数据: " << x 
                  << " | 均值: " << stats.current_mean()
                  << " | 方差: " << stats.variance()
                  << " | 标准差: " << stats.std_dev() 
                  << std::endl;
    }

    return 0;
}

---

代码输出

新增数据: 2 | 均值: 2 | 方差: 0 | 标准差: 0
新增数据: 4 | 均值: 3 | 方差: 2 | 标准差: 1.41421
新增数据: 6 | 均值: 4 | 方差: 4 | 标准差: 2
新增数据: 8 | 均值: 5 | 方差: 6.66667 | 标准差: 2.58199
新增数据: 10 | 均值: 6 | 方差: 10 | 标准差: 3.16228

---

关键实现说明

1. 类设计

• 成员变量：
  • n：已处理的数据点数量。
  • mean：当前均值。
  • S：递推计算的平方和（用于方差计算）。
• 方法：
  • update(double x)：更新统计量。
  • current_mean(), variance(), std_dev()：获取当前统计值。
  • reset()：重置统计状态。

2. 算法核心

• 递推更新公式：

  • 均值更新：
    

  • 平方和更新：
    

• 方差计算（无偏估计）：
  

3. 数值稳定性

• Welford 算法：避免传统方法（如先计算总和再求均值）的浮点数精度损失。
• 处理边界条件：当数据量 ( n < 2 ) 时，方差返回 0.0。

---

扩展应用场景

1. 实时传感器数据处理

// 模拟实时传感器数据流
RunningStats sensor_stats;
while (true) {
    double sensor_value = read_sensor_data();  // 假设从传感器读取数据
    sensor_stats.update(sensor_value);
    
    // 每隔100个数据点输出统计量
    if (sensor_stats.current_count() % 100 == 0) {
        std::cout << "实时统计 - 均值: " << sensor_stats.current_mean()
                  << " 标准差: " << sensor_stats.std_dev() << std::endl;
    }
}

2. 大规模数据集分块处理

// 分块读取文件数据
RunningStats file_stats;
std::ifstream data_file("large_dataset.txt");
double value;
while (data_file >> value) {
    file_stats.update(value);
}
std::cout << "全局方差: " << file_stats.variance() << std::endl;

---

总结

• 优势：内存效率高（仅需维护 3 个变量），适合实时或大数据场景。
• 对比传统方法：避免存储全部数据，计算复杂度 Ο(1)。
• 应用范围：金融数据分析、实时监控、科学实验数据处理等。

上一篇：C++中pow函数的作用是什么，如何使用它？

---

以代码为舟，破浪前行

技术的海洋浩瀚无垠，每一次报错都是潮汐的指引，每一次调试都是对逻辑的雕琢。不要因一时的运行失败而踌躇，因为那些看似无解的异常，终将在你的坚持下化为清晰的注释。

请记住：

• 代码的尽头是哲学，每一段算法都在教你如何拆分复杂；
• 调试的本质是成长，每一个Bug都在锤炼你的耐心与洞察；
• 数据的流动即人生，均值是方向，方差是挑战，而标准差是你跨越不确定的勇气。

无论此刻是山穷水复，还是峰回路转，你手中的键盘始终是书写可能的笔

---

在循环中迭代自我，在递归中探索边界，在并发的世界里，你永远是自己程序的主线程！

未来已来，放手去闯：
让每一行代码成为星辰的坐标，让每一次编译成功的提示音，化作宇宙对你的喝彩。
你终将抵达那片名为“极致”的彼岸——因为真正的开发者，从不定义极限，只不断超越它。 🌌🚀

---

（将技术术语与人生隐喻深度融合，用“调试”“递归”“并发”等概念强化身份认同，结尾以宇宙意象激发无限可能，传递“技术即修行”的信念。）

---