numpy.linalg.norm 是计算向量或矩阵范数的正确函数，需显式导入或使用全路径调用，且对多维数组必须指定 axis 参数以避免误算 Frobenius 范数。
norm函数在numpy.linalg里，不是numpy自带的
很多人搜 numpy.norm 会直接写错——它根本不在 numpy 命名空间下，而是藏在 numpy.linalg 子模块里。直接 import numpy as np; np.norm(...) 会报 AttributeError。
正确做法是：
import numpy as np from numpy.linalg import norm
或者更稳妥地写全路径：
import numpy as np np.linalg.norm(x)
- 别用
from numpy import *期望把norm拉进来——它不会自动导入子模块里的函数 - 如果同时用到
scipy.linalg.norm，注意两者行为基本一致，但scipy版本对稀疏矩阵支持更好 -
np.linalg.norm默认计算 Frobenius 范数（对矩阵）或 2-范数（对向量），不是欧氏距离的“开根号前”版本
向量长度默认就是2-范数，但得确认输入是1D
想算一个向量的“长度”，比如 [3, 4] 得到 5.0，直接传一维数组就行：
立即学习“Python免费学习笔记（深入）”；
x = np.array([3, 4]) np.linalg.norm(x) # → 5.0
但容易踩坑的是：如果你传的是列向量（shape 为 (2, 1)），结果一样；可一旦是二维数组且你没指定 axis，它会按矩阵整体算 Frobenius 范数（即所有元素平方和再开根），不是你想的“每行/每列的长度”。
- 确保输入是 1D：
x.flatten()或x.ravel()可保险处理 - 不要依赖
np.array([3, 4]).T来“转置成列向量”再算——它仍是 1D，除非显式用[:, None] - 如果原始数据是 DataFrame 列或 Series，先用
.values拿出 ndarray，否则可能触发 pandas 的隐式转换异常
axis参数控制按行/列算范数，不设就全量聚合
对二维数组，比如想得到每行的长度（即每条样本的 L2 模长），必须显式加 axis=1：
X = np.array([[3, 4],
[5, 12]])
np.linalg.norm(X, axis=1) # → array([5., 13.])同理，axis=0 是按列算（每列向量的长度）。漏掉 axis 就会返回单个标量：整个矩阵的 Frobenius 范数。
-
axis不接受字符串，只认整数或整数元组；axis=(0, 1)等价于不设 - 如果数组有 3D+，
axis必须明确指定要压缩哪些维度，否则报ValueError: Invalid axis - 性能上，带
axis的调用比全量略慢，但差别在微秒级，不用提前优化
ord参数换范数类型，但别乱用负数或非整数
ord 控制范数种类：ord=1 是曼哈顿距离，ord=2（默认）是欧氏，ord=np.inf 是最大绝对值。这些都安全。
但以下情况容易出问题：
-
ord=-1或ord=-2是“反向范数”，数学上有定义但极少实用，且对含零向量会出inf或nan -
ord=0不是 L0“范数”（它其实不算范数），而是非零元个数，但np.linalg.norm不支持ord=0，会报NotImplementedError - 浮点
ord如ord=1.5虽然能跑，但数值不稳定，尤其当元素接近零时误差放大明显
真要算 L0 稀疏度，直接用 np.count_nonzero(x)；要算 L1，就老实用 ord=1。
实际用的时候，最常漏的是 import 路径和 axis 参数，尤其是从 pandas 或 sklearn 拿数据后直接喂给 norm，形状不对又没设 axis，结果就莫名其妙。
