### Python 中向量单位化的实现方法 在 Python 中，可以通过 NumPy 库轻松实现向量的单位化操作。向量单位化的定义是将一个非零向量转换为其方向相同的单位向量，其模长为 1。以下是具体实现方式： #### 单个向量单位化 对于单个向量 \( \mathbf{v} = [v_1, v_2, \dots, v_n] \)，单位向量 \( \mathbf{u} \) 可通过以下公式计算： \[ \mathbf{u} = \frac{\mathbf{v}}{\|\mathbf{v}\|} \] 其中 \( \|\mathbf{v}\| \) 表示向量 \( \mathbf{v} \) 的模长。 以下是代码实现： ```python import numpy as np def normalize_vector(v): """ 将向量单位化 :param v: 输入向量（numpy 数组） :return: 单位向量 """ norm = np.linalg.norm(v) # 计算向量的模长[^1] if norm == 0: raise ValueError("无法单位化零向量") return v / norm # 向量除以模长得到单位向量[^1] # 示例：给定向量 v v = np.array([3, 4]) unit_vector = normalize_vector(v) print(f"向量 {v} 的单位向量为: {unit_vector}") ``` #### 验证结果 可以验证单位向量的模长是否为 1： ```python unit_norm = np.linalg.norm(unit_vector) print(f"单位向量的模长为: {unit_norm}") # 应该输出接近 1 的值 ``` #### 多个向量单位化 如果需要对多个向量进行单位化，可以扩展上述函数以支持矩阵输入。例如，假设输入是一个二维数组，每行表示一个向量，则可以批量单位化： ```python def normalize_vectors(matrix): """ 批量单位化多个向量 :param matrix: 输入矩阵（numpy 数组），每行是一个向量 :return: 单位化后的矩阵 """ norms = np.linalg.norm(matrix, axis=1, keepdims=True) # 按行计算每个向量的模长 if np.any(norms == 0): raise ValueError("矩阵中包含零向量，无法单位化") return matrix / norms # 每个向量除以其模长 # 示例：批量单位化 matrix = np.array([[3, 4], [1, 1], [5, 12]]) unit_matrix = normalize_vectors(matrix) print(f"矩阵 {matrix} 的单位化结果为:\n{unit_matrix}") ``` #### 注意事项 - 如果输入向量为零向量（所有元素均为 0），则无法进行单位化，因为模长为 0。 - 在实际应用中，可能需要对小模长向量进行特殊处理，以避免数值不稳定问题。