numpy.linalg.norm函数工作原理及多参数计算结果解析

函数核心工作原理 #

numpy.linalg.norm 是专门用于计算向量（或矩阵）范数的工具函数，核心逻辑是根据指定的**p值（范数阶数）**执行对应的数学计算：

• 对于一维向量，p-范数的通用计算公式为：
  ||x||_p = (|x₁|^p + |x₂|^p + ... + |xₙ|^p)^(1/p)
• 特殊的0-范数：numpy中定义为向量中非零元素的个数（这是工程上常用的定义，并非严格数学意义上的范数）。

示例代码及结果推导 #

先看给出的示例代码：

>>> np.linalg.norm([1,2,3,4,5],0)
5.0
>>> np.linalg.norm([1,2,3,4,5],1)
15.0
>>> np.linalg.norm([1,2,3,4,5],2)
7.416198487095663
>>> np.linalg.norm([1,2,3,4,5],3)
6.082201995573399
>>> np.linalg.norm([1,2,3,4,5],4)
5.593654949523078

逐个拆解推导：

p=0的计算 #

numpy的0-范数统计向量中非零元素的数量。示例向量[1,2,3,4,5]的5个元素全是非零值，所以结果为5.0。

p=1的计算 #

1-范数（曼哈顿范数）是所有元素绝对值的总和：
|1| + |2| + |3| + |4| + |5| = 1+2+3+4+5 = 15，对应输出15.0。

p=2的计算 #

2-范数（欧几里得范数）是元素平方和的平方根：

1. 计算平方和：1² + 2² + 3² + 4² + 5² = 1+4+9+16+25 = 55
2. 开平方：√55 ≈ 7.416198487095663，和输出一致。

p=3的计算 #

3-范数是元素绝对值的3次方和的1/3次方：

1. 计算3次方和：1³ + 2³ + 3³ + 4³ + 5³ = 1+8+27+64+125 = 225
2. 开3次方：225^(1/3) ≈ 6.082201995573399，匹配输出结果。

p=4的计算 #

4-范数是元素绝对值的4次方和的1/4次方：

1. 计算4次方和：1⁴ + 2⁴ + 3⁴ + 4⁴ + 5⁴ = 1+16+81+256+625 = 979
2. 开4次方：979^(1/4) ≈ 5.593654949523078，和输出结果一致。

内容的提问来源于stack exchange，提问作者Digerkam