NumPy 的 norm函数怎么用：向量与矩阵范数示例

NumPy 的 np.linalg.norm 用来计算向量或矩阵的范数，常见于向量长度计算、距离与误差评估、矩阵大小比较、正则化和数值分析。它的接口看起来简单，但结果取决于输入维度以及 ord 和 axis 的组合：同一个 ord=2，用于向量时表示欧几里得长度，用于矩阵时则表示谱范数。

本文从常用场景开始，逐步解释参数、批量计算、矩阵范数、边界情况和易错点。代码可直接运行，需要先安装 NumPy。

1. 基本用法

函数的常见调用形式如下：

numpy.linalg.norm(x, ord=None, axis=None, keepdims=False)

• x：数组或可转换为数组的对象。通常传入数值数组。
• ord：范数的类型。省略或设为 None 时，计算规则取决于输入的维度和 axis。
• axis：指定沿哪个轴计算向量范数，或指定哪两个轴组成矩阵。
• keepdims：是否保留被计算的轴，并将其长度设为 1，便于后续广播。

最简单的例子是计算一个向量的长度：

import numpy as np

v = np.array([3.0, 4.0])

length = np.linalg.norm(v)
print(length)  # 5.0

对于一维向量，默认结果是欧几里得范数，也就是各分量平方和再开平方：

||v||₂ = sqrt(|v₁|² + |v₂|² + ... + |vₙ|²)

这里的绝对值写法也适用于复数向量。对实数输入，它就是通常所说的向量长度。

2. 向量范数：常用 ord 选项

向量的 ord 决定采用哪一种长度度量。下面的示例在同一个向量上计算多种范数：

import numpy as np

v = np.array([3.0, -4.0, 0.0])

for p in [None, 1, 2, np.inf, -np.inf, 0]:
    print(f"ord={p!s:>4}: {np.linalg.norm(v, ord=p)}")

常见选项及其含义如下：

• ord=None 或 ord=2：欧几里得范数，计算平方和的平方根。
• ord=1：曼哈顿范数，即分量绝对值之和。
• ord=np.inf：最大范数，即最大的分量绝对值。
• ord=-np.inf：最小范数，即最小的分量绝对值。
• ord=0：非零分量的个数。它常被称为“零范数”，但严格来说并不是数学意义上的范数。
• 其他实数 p：按 (sum(abs(x)**p))**(1/p) 计算。负数 p 也可以用于非零数据，但结果不满足通常范数的全部性质，且零分量会造成除零问题。

例如，针对 [3, -4, 0]：

import numpy as np

v = np.array([3.0, -4.0, 0.0])

print(np.linalg.norm(v, ord=1))       # 7.0
print(np.linalg.norm(v, ord=2))       # 5.0
print(np.linalg.norm(v, ord=np.inf))  # 4.0
print(np.linalg.norm(v, ord=0))       # 2.0

不同范数适合不同问题。欧几里得范数常用于几何距离和残差大小；L1 范数常用于绝对误差汇总或稀疏正则化；无穷范数适合关注最大分量偏差的场景。选用哪一种，应由问题定义决定，而不是仅凭数值大小判断。

3. 矩阵范数：ord 的含义会改变

二维数组通常被视为矩阵。矩阵范数与逐元素范数不是一回事：矩阵的 ord=2 是谱范数，也就是最大奇异值，不是把所有元素平方后求和再开方。

常见矩阵范数如下：

• ord=None 或 ord='fro'：Frobenius 范数，即所有元素平方模之和的平方根。
• ord='nuc'：核范数，即所有奇异值之和。
• ord=2：谱范数，即最大奇异值。
• ord=-2：最小奇异值。
• ord=1：矩阵各列绝对值之和的最大值，即最大列和。
• ord=-1：矩阵各列绝对值之和的最小值。
• ord=np.inf：矩阵各行绝对值之和的最大值，即最大行和。
• ord=-np.inf：矩阵各行绝对值之和的最小值。

下面用一个小矩阵对比几种结果：

import numpy as np

A = np.array([
    [1.0, 2.0],
    [3.0, 4.0],
])

print(np.linalg.norm(A, ord="fro"))  # sqrt(30)
print(np.linalg.norm(A, ord=1))      # 6.0，最大列和
print(np.linalg.norm(A, ord=np.inf)) # 7.0，最大行和
print(np.linalg.norm(A, ord=2))      # 最大奇异值，约 5.465

如果需要矩阵的谱范数或核范数，计算通常涉及奇异值分解，成本可能高于行和、列和等计算。对很大的矩阵，应把计算成本纳入设计；如果只想评估某个特定量，也不要误把 Frobenius 范数当作谱范数。

4. axis：对指定轴计算范数

实际数据往往不只是单个向量或矩阵，而是批量样本、时间序列或多维张量。此时应使用 axis 明确要沿哪个轴计算。

例如，数组的每一行是一条二维向量，想得到每行的欧几里得长度：

import numpy as np

points = np.array([
    [3.0, 4.0],
    [5.0, 12.0],
    [8.0, 15.0],
])

row_lengths = np.linalg.norm(points, ord=2, axis=1)
print(row_lengths)  # [ 5. 13. 17.]

axis=1 表示沿每行的列方向计算，因此每行得到一个结果。若数组按列存放向量，则通常使用 axis=0：

column_lengths = np.linalg.norm(points, ord=2, axis=0)
print(column_lengths)

对三维数组，axis=1 仍然表示沿第二个维度计算。需要准确区分“数组的轴编号”和“数据语义上的行、列、批次”，必要时检查数组的 shape：

print(points.shape)  # (3, 2)

当输入是矩阵，且希望沿一对轴计算矩阵范数时，axis 应传入两个轴组成的元组。例如，数组形状为“批次 × 行 × 列”，可以对每个批次中的矩阵分别计算 Frobenius 范数：

import numpy as np

batch = np.arange(24.0).reshape(2, 3, 4)

batch_frobenius = np.linalg.norm(
    batch,
    ord="fro",
    axis=(1, 2),
)
print(batch_frobenius.shape)  # (2,)
print(batch_frobenius)

这里的 axis=(1, 2) 表示每个批次项由第 1 轴和第 2 轴组成矩阵。矩阵范数的 ord 选项应使用矩阵范数支持的形式，例如 'fro'、'nuc'、1、-1、2、-2、np.inf 和 -np.inf。不要把向量的任意实数 p 选项直接套到矩阵范数上。

5. keepdims：保留维度以便广播

默认情况下，被计算的轴会从结果形状中移除。若后续要用范数结果对原数组归一化，保留维度通常更方便：

import numpy as np

X = np.array([
    [3.0, 4.0],
    [5.0, 12.0],
])

lengths = np.linalg.norm(X, axis=1, keepdims=True)
print(lengths.shape)  # (2, 1)

normalized = X / lengths
print(normalized)
print(np.linalg.norm(normalized, axis=1))  # [1. 1.]

如果没有使用 keepdims=True，lengths 的形状是 (2,)。在这个例子中，NumPy 广播规则仍可能得到预期结果，但更复杂的形状下，维度对齐容易与预想不同。保留维度可以让计算意图更清楚，也能减少广播错误。

6. 应用示例：计算向量距离与残差

两条向量的欧几里得距离，可以通过先相减再计算二范数得到：

import numpy as np

predicted = np.array([2.5, 3.0, 4.2])
target = np.array([2.0, 3.5, 4.0])

distance = np.linalg.norm(predicted - target, ord=2)
print(distance)

在线性代数中，也常计算方程残差 A @ x - b 的大小：

import numpy as np

A = np.array([
    [2.0, 1.0],
    [1.0, 3.0],
])
x = np.array([1.0, 2.0])
b = np.array([4.0, 7.0])

residual = A @ x - b
residual_norm = np.linalg.norm(residual)
print("残差：", residual)
print("残差二范数：", residual_norm)

范数会把多个分量压缩成一个标量，便于比较，但也会丢失误差的方向和分布信息。调试时最好同时检查残差向量本身，不能只看一个范数值。

7. 参数限制与边界情况

7.1 ord 必须与计算对象匹配

ord 支持哪些取值，取决于计算的是向量范数还是矩阵范数。比如 ord='nuc' 用于矩阵核范数，不是向量范数；矩阵的 ord=2 也不是向量的平方和开方。遇到不支持的组合，NumPy 会报错，而不是自动改用某一种范数。

当 axis 是整数时，计算的是沿该轴的向量范数；当 axis 是两个轴组成的元组时，计算的是由这两个轴定义的矩阵范数。轴编号必须有效，且矩阵范数的轴元组需要是两个不同的轴。若拿不准，先用 print(x.shape) 确认维度。

7.2 空数组、零向量和负阶范数

零向量的常见正阶范数为 0。若将零向量用于归一化，会出现除以 0 的问题：

import numpy as np

v = np.array([0.0, 0.0])
length = np.linalg.norm(v)

if length == 0:
    normalized = v.copy()
else:
    normalized = v / length

print(normalized)

负阶向量范数会对小分量特别敏感；当分量中包含 0 时，计算中可能出现除零，并产生警告或无穷大等结果。使用前应确认这符合问题定义。ord=0 则是在统计非零分量；对包含浮点计算误差的数据，接近零但不等于零的数仍会被计为非零。如果需要按阈值判断，应先明确阈值并自行构造布尔条件。

7.3 NaN、无穷大和浮点误差

如果输入包含 NaN 或无穷大，范数结果可能受到它们影响。计算前可按需求检查：

import numpy as np

x = np.array([1.0, np.nan, 3.0])

print(np.isfinite(x))
print(np.all(np.isfinite(x)))

不要假设范数会自动忽略缺失值；需要忽略缺失值时，应明确采用合适的掩码或缺失值处理策略。极大或极小的数也可能带来浮点精度问题。对需要严格数值控制的计算，应使用合适的数据类型，并检查输入范围、警告和结果是否有限；不要仅凭公式形式推断所有极端输入都能得到理想精度。

8. 常见错误总结

• 把矩阵 ord=2 当成 Frobenius 范数。它实际是谱范数。需要所有元素平方和的平方根时，使用 ord='fro'。
• 把 axis 理解成结果轴。axis 指定被计算的轴，不是结果保留的轴；需要保留被计算轴时设置 keepdims=True。
• 忽略数组布局。同一数组沿 axis=0 与 axis=1 得到不同结果。先核对 shape 和每个轴对应的数据含义。
• 直接用范数除以归一化向量。当范数为 0 时会除零。应先检查范数，或按业务规则处理零向量。
• 认为 ord=0 是严格的数学范数。它表示非零元素计数，不满足范数的全部数学性质。
• 认为所有 ord 都适用于所有输入。向量范数、矩阵范数的可用选项不同，异常时先核对输入维度、axis 和 ord 的组合。

9. 范数能否用于安全判断

范数是数值计算工具，不是安全校验机制。它可以用于衡量扰动、残差或输入变化的大小，但单独设置一个范数阈值，不能证明数据可信、程序无漏洞或系统具备对抗安全性。不同范数对数据变化的敏感方式不同，阈值也必须结合数据尺度、单位、误报漏报代价和威胁模型设计。

在安全敏感的程序中，如果范数结果用于拒绝请求、限制输入或触发保护措施，还应考虑非有限值、零值、极端数值、类型转换和阈值比较边界。尤其不要把浮点范数比较当作密码学完整性校验或认证：这类需求应使用适合的密码学方案与经过验证的实现。范数只能承担它实际定义的数值度量职责。

10. 选择方法速查

使用 np.linalg.norm 时，最重要的是先判断正在处理的是向量还是矩阵，再明确选择 ord 和 axis。如果结果要参与广播，考虑 keepdims；如果要做归一化或阈值判断，则额外处理零值、非有限值和浮点边界。这样既能避免常见误读，也能让范数结果与实际问题定义保持一致。