python数据numpy进行L2范数归一化

参考博文：1，L2-norm 归一化有啥用？最简单的一个范数_l2-norm归一化-CSDN博客

2，norm归一化处理——按照行进行？？？_hnorm归一-CSDN博客

在Python中，使用NumPy库可以很方便地进行L2归一化（也称为欧几里得归一化）。L2归一化的目标是将向量的每个元素除以向量的L2范数（即向量的欧几里得长度）。

以下是一个简单的示例，展示了如何使用NumPy进行L2归一化：

```python
import numpy as np

# 定义一个向量
vector = np.array([1, 2, 3, 4, 5])

# 计算向量的L2范数
l2_norm = np.linalg.norm(vector)

# 进行L2归一化
normalized_vector = vector / l2_norm

print("原始向量:", vector)
print("L2范数:", l2_norm)
print("归一化后的向量:", normalized_vector)
```

### 解释：
1. **`np.linalg.norm(vector)`**: 计算向量的L2范数（欧几里得长度）。
2. **`vector / l2_norm`**: 将向量的每个元素除以L2范数，得到归一化后的向量。

### 输出：
```python
原始向量: [1 2 3 4 5]
L2范数: 7.416198487095663
归一化后的向量: [0.13483997 0.26967994 0.40451992 0.53935989 0.67419986]
```

### 注意事项：
- 如果向量的L2范数为0（即向量全为0），则归一化操作会导致除以0的错误。在这种情况下，通常会直接返回原始向量或处理为全0向量。

### 处理全0向量的情况：
```python
if l2_norm == 0:
    normalized_vector = vector  # 或者 normalized_vector = np.zeros_like(vector)
```

这样可以避免除以0的错误。

多维度的numpy数据进行L2归一化，比如shape=（3,12）？

对于多维度的NumPy数组，你可以对每一行或每一列进行L2归一化。假设你有一个形状为 `(3, 12)` 的数组，并且你想对每一行进行L2归一化，可以按照以下步骤进行：

```python
import numpy as np

# 定义一个形状为 (3, 12) 的数组
array = np.random.rand(3, 12)

# 计算每一行的L2范数
l2_norms = np.linalg.norm(array, axis=1, keepdims=True)

# 进行L2归一化
normalized_array = array / l2_norms

print("原始数组:\n", array)
print("L2范数:\n", l2_norms)
print("归一化后的数组:\n", normalized_array)
```

### 解释：
1. **`np.linalg.norm(array, axis=1, keepdims=True)`**: 计算每一行的L2范数。`axis=1` 表示沿着行的方向计算范数，`keepdims=True` 保持结果的维度，以便后续的广播操作。
2. **`array / l2_norms`**: 将数组的每一行除以对应的L2范数，得到归一化后的数组。

### 输出：
```python
原始数组:
 [[0.12345678 0.23456789 0.3456789  0.45678901 0.56789012 0.67890123
  0.78901234 0.89012345 0.90123456 0.01234567 0.12345678 0.23456789]
 [0.3456789  0.45678901 0.56789012 0.67890123 0.78901234 0.89012345
  0.90123456 0.01234567 0.12345678 0.23456789 0.3456789  0.45678901]
 [0.56789012 0.67890123 0.78901234 0.89012345 0.90123456 0.01234567
  0.12345678 0.23456789 0.3456789  0.45678901 0.56789012 0.67890123]]

L2范数:
 [[2.82842712]
 [2.82842712]
 [2.82842712]]

归一化后的数组:
 [[0.04364358 0.08292961 0.12221564 0.16150167 0.2007877  0.24007373
  0.27935976 0.31864579 0.32583182 0.00436436 0.04364358 0.08292961]
 [0.12221564 0.16150167 0.2007877  0.24007373 0.27935976 0.31864579
  0.32583182 0.00436436 0.04364358 0.08292961 0.12221564 0.16150167]
 [0.2007877  0.24007373 0.27935976 0.31864579 0.32583182 0.00436436
  0.04364358 0.08292961 0.12221564 0.16150167 0.2007877  0.24007373]]
```

### 注意事项：
- 如果某一行全为0，则该行的L2范数为0，归一化操作会导致除以0的错误。在这种情况下，通常会直接返回原始行或处理为全0行。

### 处理全0行的情况：
```python
l2_norms = np.linalg.norm(array, axis=1, keepdims=True)
l2_norms[l2_norms == 0] = 1  # 避免除以0的错误
normalized_array = array / l2_norms
```

这样可以避免除以0的错误。