总体方差
离中趋势衡量
均值，中位数，众数，这些都是用来衡量集中趋势的（或者说是用一个数表示所有的数值，这样损失了很多信息），但是我们并不知道集中的数字是接近集中趋势，还是远离集中趋势．因此引入离中趋势衡量．
有两组数据$l_1$={2, 2, 3, 3}，$l_2$={0, 0, 5, 5}，它们拥有相等的平均数 2.5
对于集合$l_1$，每个数值距离它们的$\mu$都比较靠近,而对于$l_2$,每个数对于$\mu$值的距离相对来说都比较远（或者说它们相对于均值比较分散）．
那么怎么区分这种数据的特征呢？方差$\sigma ^ 2$
方差
每个数与均值之间的距离的平方的平均数．
好吧有点绕，我们一点一点理解
为了方便计算每个数与均值之间的距离，不便于每个差求绝对值，我们可以采用平方来代替，它肯定是正数．
然后我们对所有的距离组成的数字求平均数来代表距离的这组数（一个值描述数据集），而距离就是来表示我们想知道的离中趋势
方差同样也是为了方便处理数据的人造结构，在不写出数据全部的情况下，通过一个值来对数据集有更好的了解
方差的计算公式：
$$\sigma ^ 2 = \frac{\sum_{i=1}^N (x_i-\mu)^2}{N}$$
对于提到的两组数据，他们对应的方差依次为0.25，6.25．直观上你会发现后者的离均值相对与第一组数据大很多．这说明他们的数都距 离均值（方差）相对远，也就是比较分散．
python计算代码
def mean_fun(val):
'''求均值函数
'''
l = [x for x in val]
return sum(l) / float(len(l))
def var_fun(val):
'''计算方差函数
'''
mean = mean_fun(val)
l = [pow((x - mean), 2) for x in val]
return mean_fun(l)
L_1 = (2, 2, 3, 3)
L_2 = (0, 0, 5, 5)
var_1 = var_fun(L_1)
var_2 = var_fun(L_2)
print(var_1, var_2)
你也可以采用第三方包来快速的求解，不过我觉得还是有必要先学会求解的过程．
代码中float()是为了在python2中一样可以得出正确的结果，python2的/int表示整除
代码利用了封装函数和列表推导式，读起来会比较抽象，有人觉得这样不利于代码的可读性，我觉得那只是逻辑的问题，你的代码需要别人动脑子，不像是在按事物发展顺序的代码,这样并不意味者可读性差．说了这么多，就是代码的可读性跟你逻辑没有关系
代码的可读性好，应该是有注释，但是不要冗余，要有函数类等的文档字符串，变量命名统一规范，书写方式统一规范，服从架构等等，就是一大堆约定好的习惯，而不会限制你的思维．
博主个人能力有限，错误在所难免．
如发现错误请不要吝啬，发邮件给博主更正内容，在此提前鸣谢．
Email: JentChang@163.com （来信请注明文章标题，如果附带链接就更方便了）
你也可以在下方的留言板留下你宝贵的意见．
