如何将numpy.linalg.norm应用于矩阵的每一行？

如何将numpy.linalg.norm应用于矩阵的每一行？

请注意，如perimosocordiae所示，从NumPy1.9版本开始，这

np.linalg.norm(x, axis=1)

是计算L2-范数的最快方法。

由于numpy更新而复活了一个旧问题。从1.9版本开始，numpy.linalg.norm现在接受一个axis参数。[代码，文档]

这是镇上最快的新方法：

In [10]: x = np.random.random((500,500))In [11]: %timeit np.apply_along_axis(np.linalg.norm, 1, x)10 loops, best of 3: 21 ms per loopIn [12]: %timeit np.sum(np.abs(x)**2,axis=-1)**(1./2)100 loops, best of 3: 2.6 ms per loopIn [13]: %timeit np.linalg.norm(x, axis=1)1000 loops, best of 3: 1.4 ms per loop

并证明它正在计算同一件事：

In [14]: np.allclose(np.linalg.norm(x, axis=1), np.sum(np.abs(x)**2,axis=-1)**(1./2))Out[14]: True

---

如果要计算L2范数，则可以直接计算（使用自

axis=-1

变量沿行求和）：

np.sum(np.abs(x)**2,axis=-1)**(1./2)

Lp-范数当然可以类似地计算。

它的速度比快得多

np.apply_along_axis

，尽管可能不那么方便：

In [48]: %timeit np.apply_along_axis(np.linalg.norm, 1, x)1000 loops, best of 3: 208 us per loopIn [49]: %timeit np.sum(np.abs(x)**2,axis=-1)**(1./2)100000 loops, best of 3: 18.3 us per loop

其他

ord

形式的

norm

也可以直接计算（具有类似的加速比）：

In [55]: %timeit np.apply_along_axis(lambda row:np.linalg.norm(row,ord=1), 1, x)1000 loops, best of 3: 203 us per loopIn [54]: %timeit np.sum(abs(x), axis=-1)100000 loops, best of 3: 10.9 us per loop