因为a.sum(axis=1)返回(n,)一维数组，与a的(n,5)形状广播不匹配；加keepdims=true得(n,1)，可正确广播实现按行归一化。
为什么直接 A / A.sum(axis=1) 会报错
因为 A.sum(axis=1) 返回的是形状为 (n,) 的一维数组（比如 (100,)），而矩阵 A 是 (100, 5)。NumPy 广播要求维度从右对齐，(100,) 和 (100, 5) 在第二维上不匹配——前者没有第二维，后者有，广播时无法自动扩展。
常见错误现象：ValueError: operands could not be broadcast together with shapes (100,5) (100,)
- 这不是除法本身的问题，是广播维度没对齐
- 不能靠 reshape 成
(100, 1)再除（虽然可行），但更规范、更可读的做法是用keepdims=True
keepdims=True 怎么让广播“刚好对上”
keepdims=True 强制保留被约掉的轴，使结果维度数不变。比如对 (100, 5) 沿 axis=1 求和，不加 keepdims 得 (100,)；加了就变成 (100, 1) —— 这个 1 维正是广播所需的“占位符”。
实操建议：
- 始终对求和/均值/最大值等归约操作显式加
keepdims=True，只要后续要广播回原数组 - 它不改变数值，只改变 shape，开销几乎为零
- 示例：
A = np.random.rand(4, 3)<br>row_sums = A.sum(axis=1, keepdims=True) # shape: (4, 1)<br>A_norm = A / row_sums # 广播成功：(4, 3) / (4, 1) → (4, 3)
按行归一化还有哪些等价写法？区别在哪
除了 sum，常见需求还包括 L2 归一化（单位向量）、max 归一化等，它们都依赖 keepdims 对齐维度。
- L1 归一化（和为 1）：
A / np.abs(A).sum(axis=1, keepdims=True) - L2 归一化（欧氏长度为 1）：
A / np.linalg.norm(A, axis=1, keepdims=True) - 按行最大值归一化：
A / A.max(axis=1, keepdims=True) - 注意：
np.linalg.norm默认就是 L2，且支持keepdims；但旧版本 NumPy（reshape
容易被忽略的边界情况：全零行怎么办
如果某行全为 0，A.sum(axis=1, keepdims=True) 会得到 0，导致除零产生 inf 或 nan，后续计算可能静默出错。
安全做法（不引入额外库）：
- 先计算分母：
denom = A.sum(axis=1, keepdims=True) - 用
np.where屏蔽零：A_norm = np.where(denom == 0, 0, A / denom) - 或更鲁棒地加极小值：
A_norm = A / (denom + 1e-12)（适用于非负矩阵） - 不要依赖
np.errstate全局抑制警告——它不阻止inf生成，只藏掉提示
真正麻烦的不是语法，是归一化前没检查数据分布；keepdims 解决了维度问题，但除零得自己兜底。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
