np.linalg.norm 默认计算整个数组的Frobenius范数（展平后2-范数），非按行/列分别计算；需显式指定axis=1或axis=0才能得到每行/列的欧氏长度，否则广播归一化会报错。
为什么 np.linalg.norm 计算结果和手动开方不一致？
常见现象是：对一维数组 a = np.array([3, 4])，手动算 sqrt(3**2 + 4**2) 得 5.0，但 np.linalg.norm(a) 也得 5.0 —— 看似一致，可一旦换成二维数组或指定 axis，结果就“对不上”。根本原因是：np.linalg.norm 默认计算的是整个数组的 Frobenius 范数（对矩阵等价于所有元素平方和再开方），不是按行/列分别算欧氏距离。
如果你要的是“每行一个欧氏范数”，必须显式传 axis 参数：
-
np.linalg.norm(X, axis=1)→ 每行向量的 2-范数（即欧氏长度） -
np.linalg.norm(X, axis=0)→ 每列向量的 2-范数 - 省略
axis→ 对整个数组展平后计算，等价于np.linalg.norm(X.flatten())
如何避免 np.linalg.norm 返回标量却误当向量用？
典型错误场景：想批量归一化一批向量（比如 1000×3 的点云坐标），写了 norms = np.linalg.norm(points)，结果得到一个标量，后续除法广播失败，报错 ValueError: operands could not be broadcast together。
正确做法是确认输入形状和所需输出维度：
立即学习“Python免费学习笔记（深入）”；
- 输入
points形状为(N, D)（N 个 D 维向量），要得到 N 个标量范数 → 必须加axis=1 - 若误写成
axis=-1，在多数情况下等价于axis=1，但可读性差，不建议 - 若输入是 1D 数组（如
(D,)），axis参数会被忽略，直接返回标量 —— 这时不需要指定
示例：
import numpy as np points = np.array([[1, 2, 2], [0, 0, 3], [4, 0, 0]]) # (3, 3) norms = np.linalg.norm(points, axis=1) # → array([3., 3., 4.]) normalized = points / norms[:, None] # 正确广播
ord 参数填什么才算真正的欧几里得范数？
np.linalg.norm 支持多种范数，靠 ord 控制。欧几里得范数即 2-范数，对应 ord=2 —— 但这是默认值，所以通常不用写。
容易踩的坑：
-
ord=1是曼哈顿范数（各元素绝对值和），不是欧氏距离 -
ord=None或不传ord→ 默认ord=2，但仅对 2D+ 数组生效；对 1D 数组，ord参数被忽略，恒为 2-范数 -
ord='fro'是 Frobenius 范数，适用于矩阵，和ord=2在 2D 时结果相同，但语义不同；混用可能误导协作者
安全写法：明确写 ord=2，尤其在函数封装或文档中，避免依赖隐式默认。
性能敏感时，该不该用 np.linalg.norm？
它底层调用 BLAS/LAPACK，对大数组比纯 Python math.sqrt(sum(x**2)) 快得多，但仍有优化空间：
- 如果只做一次归一化（即先算范数、再除），用
np.linalg.norm完全够用 - 如果反复计算同一数组的范数（比如在循环中），可提前缓存结果，避免重复调用
- 极端性能场景（如实时点云处理），可考虑用
np.sqrt(np.sum(a**2, axis=axis))替代 —— 少一层函数分发开销，且更易被 Numba 加速 - 注意：
a**2会创建临时数组；内存受限时，可用np.einsum('...i,...i->...', a, a)避免中间存储（但可读性下降）
多数工程场景下，np.linalg.norm 是最平衡的选择：语义清晰、行为稳定、性能足够。
真正容易被忽略的是 axis 的维度语义和广播规则 —— 写完记得用 .shape 检查输出是否符合预期，别只看数值大小。
