np.linalg.norm 默认不生效因广播机制要求除数形状匹配，需用 keepdims=True；零行需显式处理防 NaN；sklearn.normalize 优势在稀疏矩阵和内置零处理，非纯 NumPy 必然更快。
为什么 np.linalg.norm 默认对行归一化不生效？
直接调用 np.linalg.norm(a, axis=1) 得到的是每行的 L2 范数数组，但这个结果不能直接除以原矩阵——因为形状不匹配。比如 a 是 (10000, 512) 的矩阵，np.linalg.norm(a, axis=1) 返回 (10000,)，而 NumPy 广播要求除数至少是 (10000, 1) 才能按行广播。常见错误是写成 a / np.linalg.norm(a, axis=1)，触发 ValueError: operands could not be broadcast together。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 始终用
keepdims=True：写成np.linalg.norm(a, axis=1, keepdims=True)，输出形状为 (10000, 1)，可安全广播 - 避免手动 reshape：不要用
.reshape(-1, 1)，keepdims=True更明确、不易出错 - 对稀疏矩阵不适用：如果
a是scipy.sparse类型，得先转稠密或改用sklearn.preprocessing.normalize
如何避免除零导致 NaN？
当某行全为 0 时，np.linalg.norm 返回 0，直接除会得到 inf 或 NaN，污染整个结果。这不是理论边缘情况——真实数据中常有空样本、掩码行或预处理残留的零向量。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
np.where显式屏蔽：例如norms = np.linalg.norm(a, axis=1, keepdims=True); a_normalized = np.where(norms == 0, 0, a / norms) - 或提前替换零范数：用
norms = np.maximum(norms, 1e-12)避免除零，适合对精度不敏感的场景 - 检查是否真需要归一化：若某行全零，归一化后仍是全零，直接保留也合理；不必强求“每行模长为 1”
sklearn.preprocessing.normalize 比纯 NumPy 快吗？
不一定。对纯内存驻留的大型 np.ndarray，sklearn.normalize(a, axis=1, norm='l2') 底层仍调 NumPy，还多一层封装和参数校验，实测通常慢 10%–20%。但它有两个不可替代的优势：
- 内置零行处理：默认
copy=True且自动跳过零向量，不产生NaN - 支持稀疏输入：传入
scipy.sparse.csr_matrix时，它用专用稀疏算法，比转稠密快几个数量级 - 可选
return_norm=True：一次拿到归一化矩阵和原始范数，省去重复计算
所以别只看名字觉得“sklearn 更高级”，先确认你的数据类型和是否含零行。
内存不够时怎么分块处理？
当矩阵大到放不进内存（比如 (10M, 256)），不能一次性加载再归一化。必须分块读取、归一化、写回——但要注意：归一化是逐行独立操作，无需跨块同步，适合流式处理。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
np.memmap创建内存映射文件，然后切片访问：例如mm = np.memmap('data.dat', dtype='float32', mode='r+', shape=(10_000_000, 256)); for i in range(0, len(mm), 10000): batch = mm[i:i+10000]; norms = np.linalg.norm(batch, axis=1, keepdims=True); mm[i:i+10000] = np.where(norms == 0, 0, batch / norms) - 避免频繁磁盘 IO：块大小设为 10k–100k 行，太小则开销大，太大则内存吃紧
- 别用
pandas.read_csv加载后再归一化：CSV 解析本身就很慢，优先用二进制格式（如.npy或memmap）
真正容易被忽略的是：归一化本身不改变数据分布形态，但如果你后续要算余弦相似度，那归一化就是必要前置——这时候哪怕慢一点、麻烦一点，也得做。
