在数据分析和机器学习中，我们经常需要计算向量或矩阵的大小或长度，这时就需要用到 `np.linalg.norm()` 函数了。它是一个非常实用的工具，能够帮助我们快速地计算出不同类型的范数。下面我们一起来看看如何使用这个函数吧！

🌟 向量的范数

当我们有一个向量时，可以使用 `np.linalg.norm()` 来计算其 p 范数。例如，对于一个普通的欧几里得距离（即2范数），我们可以这样写：

```python

import numpy as np

vector = np.array([1, 2, 3])

norm_2 = np.linalg.norm(vector, ord=2)

```

🚀 矩阵的范数

当面对矩阵时，`np.linalg.norm()` 还能计算矩阵的 Frobenius 范数。这是一种类似于向量的2范数，但适用于矩阵：

```python

matrix = np.array([[1, 2], [3, 4]])

frobenius_norm = np.linalg.norm(matrix, ord='fro')

```

🔍 参数详解

- `x`: 输入数组，可以是向量或矩阵。

- `ord`: 范数的类型，默认为2范数。

- `axis`: 指定计算的方向，适用于多维数组。

掌握 `np.linalg.norm()` 的用法，可以让我们的数据处理和模型训练更加高效。希望这篇小结能帮到你！🚀

Python Numpy 机器学习 数据分析