对于numpy 1.9+

请注意，perimosocordiae shows，从NumPy版本1.9开始，np.linalg.norm(x, axis=1)是计算L2范数的最快方法。

对于numpy < 1.9

如果你正在计算L2范数，你可以直接计算它（使用axis=-1参数沿着行求和）：

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

当然，Lp范数也可以类似地计算。
它比np.apply_along_axis快得多，尽管可能没有那么方便：

In [48]: %timeit np.apply_along_axis(np.linalg.norm, 1, x)
1000 loops, best of 3: 208 us per loop

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

norm的其他ord形式也可以直接计算（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 loop

In [54]: %timeit np.sum(abs(x), axis=-1)
100000 loops, best of 3: 10.9 us per loop

由于numpy更新而重新提出旧问题。从1.9版本开始，numpy.linalg.norm现在接受axis参数。[ code，documentation ]
这是城里最快的方法：

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 loop

In [12]: %timeit np.sum(np.abs(x)**2,axis=-1)**(1./2)
100 loops, best of 3: 2.6 ms per loop

In [13]: %timeit np.linalg.norm(x, axis=1)
1000 loops, best of 3: 1.4 ms per loop

为了证明它在计算同样的东西：

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

比公认的答案快得多的是使用NumPy的einsum，

numpy.sqrt(numpy.einsum('ij,ij->i', a, a))

比这更快的是排列数据，以便跨所有 * 列 * 计算范数，

numpy.sqrt(numpy.einsum('ij,ij->j', aT, aT))

注意对数标度：

用于重现绘图的代码：

import numpy as np
import perfplot

rng = np.random.default_rng(0)

def setup(n):
    x = rng.random((n, 3))
    xt = np.ascontiguousarray(x.T)
    return x, xt

def sum_sqrt(a, _):
    return np.sqrt(np.sum(np.abs(a) ** 2, axis=-1))

def apply_norm_along_axis(a, _):
    return np.apply_along_axis(np.linalg.norm, 1, a)

def norm_axis(a, _):
    return np.linalg.norm(a, axis=1)

def einsum_sqrt(a, _):
    return np.sqrt(np.einsum("ij,ij->i", a, a))

def einsum_sqrt_columns(_, aT):
    return np.sqrt(np.einsum("ij,ij->j", aT, aT))

b = perfplot.bench(
    setup=setup,
    kernels=[
        sum_sqrt,
        apply_norm_along_axis,
        norm_axis,
        einsum_sqrt,
        einsum_sqrt_columns,
    ],
    n_range=[2**k for k in range(20)],
    xlabel="len(a)",
)
b.show()
b.save("out.png")

尝试以下操作：

In [16]: numpy.apply_along_axis(numpy.linalg.norm, 1, a)
Out[16]: array([ 5.38516481,  1.41421356,  5.38516481])

其中a是2D数组。
上面计算L2范数。对于不同的规范，您可以使用以下内容：

In [22]: numpy.apply_along_axis(lambda row:numpy.linalg.norm(row,ord=1), 1, a)
Out[22]: array([9, 2, 9])

就像这样简单，当你的2D numpy数组是x时：

x_unit = x / np.linalg.norm(x, axis=1, keepdims=True)