做数据科学和机器学习，范数（Norm）这个东西你迟早会碰到。
损失函数正则化、向量相似度计算、矩阵分解------这些场景背后都有范数的影子。
但很多同学对范数的理解停留在"好像是个求长度的东西"这个层面，具体怎么算、不同范数之间有什么区别，一问就含糊了。
其实范数没那么抽象，用 NumPy 的 linalg.norm() 函数跑几行代码，再配合几何直观，基本就能搞明白。
下面从最基础的概念出发，一步一步把常见的向量和矩阵范数过一遍。
1. 范数到底是什么？
先说人话：范数就是给向量（或矩阵）量"大小"的一种方式。
你在高中学过的向量长度，其实就是一种范数------L2 范数。
但 "大小" 这个概念可以有不同的定义方法，就像你可以用直线距离衡量两点远近，也可以用"走街道的格子距离"来衡量（想想曼哈顿的街区）。
每种定义方式对应一种范数。
从数学上说，范数是一个函数，它把 n 维向量空间里的向量映射到一个非负实数：
\|\\cdot\|: \\mathbb{R}\^n \\to \\mathbb{R}
一个合法的范数需要满足三条性质：
- 非负性：范数永远大于等于零，只有零向量的范数才等于零
- 三角不等式：两个向量之和的范数不超过各自范数之和（ \|x+y\| \\leq \|x\| + \|y\| ），这跟三角形两边之和大于第三边是一个道理
- 齐次性：向量乘以一个标量 α 后，范数也乘以 |α|
这三条看起来有点数学味，但直觉上就是任何合理的"长度度量"都应该遵守的规则。
2. 向量范数家族：L1、L2 和 L∞
所有 Lp 茁数都从一个通用的公式出发。对于向量 x = (x₁, x₂, ..., xₙ)，它的 Lp 范数定义为：
\(\|x\|p = \left( \sum{i=1}^{n} |x_i|^p \right)^{1/p}\)
p 取不同的值，就得到不同的范数。
我们挑最常用的三种来说。
2.1 L1 范数：曼哈顿距离
把 p=1 代入上面的公式，绝对值的幂次和根号都消失了，剩下的是所有元素绝对值之和：
\(\|x\|1 = \sum{i=1}^{n} |x_i|\)
L1 范数也叫曼哈顿距离（Manhattan Distance），因为你想象在曼哈顿城里走路，只能沿着街道的格子走，不能穿建筑物的对角线，走过的街区总数就是 L1 距离。
在机器学习里，L1 正则化（Lasso）用的就是这个东西，它倾向于让模型参数变得稀疏------很多参数直接变成零，这在特征选择中特别有用。
2.2 L2 范数：我们熟悉的欧几里得距离
p=2 时就是我们最熟悉的向量长度：
\(\|x\|2 = \sqrt{\sum{i=1}^{n} x_i^2}\)
这就是高中数学里那个"勾股定理推广到 n 维"的版本。
L2 范数是默认的、最直观的"长度"，也是 NumPy 中 norm() 函数不传额外参数时默认计算的范数。
L2 正则化（Ridge）用的就是它，它会让参数整体变小，但不会像 L1 那样产生大量精确的零。
2.3 L∞ 范数：最大值决定一切
当 p 趋近于无穷大时，公式中最大的那个分量会主导整个求和结果，所以 L∞ 范数就是所有元素绝对值的最大值：
\(\|x\|_\infty = \max(|x_1|, |x_2| ..., |x_n|)\)
这个范数在某些优化问题和数值分析中会出现，它的特点是只关心"最极端"的那个分量。
下面这张图把三种范数的几何意义放在一起对比，一看就能感受到它们的区别：
可以看到，同一个向量（图中从原点到终点的箭头），三种范数给出了完全不同的"大小"值。L1 是沿坐标轴走的折线距离之和，L2 是直线距离，L∞ 则只看最大的那个分量。
3. 用 NumPy 动手算向量范数
概念说完了，上代码。NumPy 的 linalg 模块提供了 norm() 函数，基本上一个函数搞定所有范数计算。
先准备一个测试向量：
python
import numpy as np
from numpy import linalg
vector = np.arange(1, 7) # [1, 2, 3, 4, 5, 6]
print(vector)
# 输出: [1 2 3 4 5 6]3.1 计算 L2 范数（默认行为）
norm() 最简单的用法------不传任何可选参数，它就算 L2 范数：
python
l2_norm = linalg.norm(vector)
print(f"{l2_norm = :.2f}")
# 输出: l2_norm = 9.54你也可以显式地指定 ord=2，结果完全一样：
python
l2_norm = linalg.norm(vector, ord=2)
print(f"{l2_norm = :.2f}")
# 输出: l2_norm = 9.54手动验证一下：√(1²+2²+3²+4²+5²+6²) = √91 ≈ 9.539，对上了。
3.2 计算 L1 范数
把 ord 设为 1 就行：
python
l1_norm = linalg.norm(vector, ord=1)
print(f"{l1_norm = :.2f}")
# 输出: l1_norm = 21.00因为我们的向量全是正数，L1 茁数就等于各元素之和：1+2+3+4+5+6 = 21。如果向量里有负数，会先取绝对值再求和。
3.3 计算 L∞ 范数
ord 设为 np.inf：
python
inf_norm = linalg.norm(vector, ord=np.inf)
print(f"{inf_norm = }")
# 输出: inf_norm = 6.0结果 6 就是向量中的最大值。顺便说一下，ord=-np.inf 也是合法的，它返回最小绝对值：
python
neg_inf_norm = linalg.norm(vector, ord=-np.inf)
print(f"{neg_inf_norm = }")
# 输出: neg_inf_norm = 1.03.4 L0 范数：数非零元素
严格来说 L0 不是真正的范数（它违反了齐次性------乘以标量后非零元素个数不变），但它很实用。ord=0 会返回向量中非零元素的个数：
python
another_vector = np.array([1, 2, 0, 5, 0])
l0_norm = linalg.norm(another_vector, ord=0)
print(f"{l0_norm = }")
# 输出: l0_norm = 3.0 # 三个非零元素这在稀疏向量分析中经常用到，比如看看一个嵌入向量中有多少维度是非零的。
到这里，向量范数这块就比较完整了。小结一下：numpy.linalg.norm() 通过 ord 参数来切换范数类型，ord=1 是 L1，ord=2（或省略）是 L2，ord=np.inf 是 L∞，ord=0 数非零元素。一个函数，几种用法，记忆负担很小。
4. 矩阵范数：从向量到二维的推广
向量搞定了，矩阵怎么办？其实矩阵范数可以理解为向量范数在二维上的推广------同样是给一个矩阵赋予一个"大小"的标量值。
最常见的两种矩阵范数是 Frobenius 范数 和核范数（Nuclear Norm），它们各有各的用途。
4.1 Frobenius 范数：矩阵版的 L2
Frobenius 范数的计算方式非常直观------把矩阵的所有元素平方后求和，再开根号：
\(\|A\|F = \sqrt{\sum{i=1}^{m}\sum_{j=1}^{n} |a_{ij}|^2}\)
你可以把它想象成把矩阵"拉平"成一个长向量，然后对这个向量求 L2 范数。
它在数值计算和深度学习中经常出现，比如权重衰减有时候就用 Frobenius 范数来约束。
先把之前的向量 reshape 成矩阵：
python
matrix = vector.reshape(2, 3)
print(matrix)
# 输出:
# [[1 2 3]
# [4 5 6]]计算 Frobenius 范数：
python
# 显式指定 'fro'
frob_norm = linalg.norm(matrix, ord='fro')
print(f"{frob_norm = :.2f}")
# 输出: frob_norm = 9.54
# 不指定 ord，默认也是 Frobenius
frob_norm = linalg.norm(matrix)
print(f"{frob_norm = :.2f}")
# 输出: frob_norm = 9.54注意这里的一个设计细节：对于向量，norm() 默认算 L2 范数；对于矩阵，默认算 Frobenius 范数。
NumPy 帮你做了这个区分，挺贴心的。
4.2 核范数：奇异值之和
核范数（Nuclear Norm）稍微特殊一点，它基于矩阵的 SVD 分解（奇异值分解）。
简单来说，一个矩阵可以被分解成三个矩阵的乘积 A = U \\Sigma V\^T ，其中 \\Sigma 对角线上的元素就是奇异值。
核范数就是所有奇异值之和：
\(\|A\|_* = \sigma_1 + \sigma_2 + ... + \sigma_k\)
核范数在矩阵补全（Matrix Completion）、推荐系统、降维等场景中大量使用。
它的一个重要性质是可以作为矩阵"秩"的凸近似------直接优化秩是 NP 难的，但优化核范数可以用凸优化的方法高效求解。
python
nuc_norm = linalg.norm(matrix, ord='nuc')
print(f"{nuc_norm = :.2f}")
# 输出: nuc_norm = 10.284.3 沿指定轴计算：axis 参数的威力
实际工作中，有时候我们不想对整个矩阵求一个总的范数，而是想按行或按列分别计算。
这时候 axis 参数就派上用场了。
以 L1 范数为例：
python
# axis=0：沿列方向计算（跨行，对每列求范数）
col_norms = linalg.norm(matrix, ord=1, axis=0)
print(f"{col_norms = }")
# 输出: col_norms = array([5., 7., 9.])
# 含义：第1列 |1|+|4|=5，第2列 |2|+|5|=7，第3列 |3|+|6|=9
# axis=1：沿行方向计算（跨列，对每行求范数）
row_norms = linalg.norm(matrix, ord=1, axis=1)
print(f"{row_norms = }")
# 输出: row_norms = array([ 6., 15.])
# 含义：第1行 1+2+3=6，第2行 4+5+6=15这个功能在做数据归一化的时候特别有用。
比如你想把每一列的数据缩放到单位范数，就可以用 axis=0 先算出每列的范数，再做除法。
5. 一张图总结 norm() 的用法
说了这么多，最后用一张表把 numpy.linalg.norm() 的核心用法汇总一下：
| 目标 | 写法 | 说明 |
|---|---|---|
| 向量 L2 范数 | linalg.norm(v) 或 linalg.norm(v, ord=2) |
默认行为，欧几里得长度 |
| 向量 L1 范数 | linalg.norm(v, ord=1) |
绝对值之和 |
| 向量 L∞ 范数 | linalg.norm(v, ord=np.inf) |
最大绝对值 |
| 非零元素计数 | linalg.norm(v, ord=0) |
L0 伪范数 |
| 矩阵 Frobenius | linalg.norm(M) 或 linalg.norm(M, ord='fro') |
矩阵默认行为 |
| 矩阵核范数 | linalg.norm(M, ord='nuc') |
奇异值之和 |
| 按列求范数 | linalg.norm(M, ord=p, axis=0) |
跨行计算 |
| 按行求范数 | linalg.norm(M, ord=p, axis=1) |
跨列计算 |
记住两个关键就行：ord 决定范数类型 ，axis 决定计算方向。
其他的基本都是围绕这两个参数的组合变化。