np.loadtxt()报错因默认空格分隔，读CSV需显式设delimiter=','；不支持header、NaN、混合类型，应改用pandas.read_csv()或np.genfromtxt()。

np.loadtxt()读CSV时为啥报错“could not convert string to float”

因为默认按空格分割，遇到逗号分隔的CSV直接把整行当一个字符串塞进转换流程，np.loadtxt()根本没识别分隔符。它不是为CSV设计的，只是碰巧能读纯数字文本。

• 必须显式传 delimiter=','，否则默认空格或制表符
• 如果首行是列名（header），得加 skiprows=1，否则会尝试转字符串为数字
• 含缺失值（如空单元格或"N/A"）时，np.loadtxt()直接崩，得换np.genfromtxt()
• 混合类型（比如一列是字符串、一列是数字）不支持——它只返回单一dtype数组

np.savetxt()保存带标题的CSV要自己拼接

np.savetxt()压根不管表头，只写数值矩阵。想存成带列名的CSV，得手动处理字符串拼接，不能指望它自动加一行文字。

• 先用 np.savetxt() 写数据，再用普通文件操作写 header 行（推荐 open(..., 'w') 先写再追加）
• fmt 参数控制数字格式，比如 fmt='%.3f' 保留三位小数；若含整数混写，统一用 fmt='%s' + dtype=str 转字符串再存
• 别漏掉 delimiter=','，否则默认空格，生成的不是合法CSV
• Windows下注意换行符：加 newline='' 到 open()，避免双换行

什么时候该放弃loadtxt/savetxt，改用pandas

只要CSV里有列名、空值、混合类型（比如日期+数字）、需要筛选或补全，np.loadtxt()和np.savetxt()就该让位。它们不是CSV工具，是轻量级纯数值文本搬运工。

• 读取含 header/NaN/字符串列 → 用 pandas.read_csv()
• 保存带 index 或 column 名 → 用 df.to_csv()
• 后续还要做计算？可以再从 df.values 提纯 NumPy 数组，但读写环节别硬扛
• 性能不是问题：pandas 对 CSV 的底层解析其实比 np.loadtxt() 更稳更快，尤其带缺失值时

np.genfromtxt() 是 loadtxt 的“增强兼容版”，但仍有边界

它能填缺失值、跳过坏行、自动推 dtype，看起来像 CSV 救星，但实际用起来约束不少。

• 设 missing_values='' 和 filling_values=np.nan 才能处理空单元格
• names=True 可读 header 并生成结构化数组，但字段名不能含空格或特殊符号
• 即使设了 dtype=None，返回的仍是结构化数组（np.ndarray with dtype=[('col1', '<f8 ...>），不是二维普通数组，后续广播运算容易出错</f8>
• 大文件时比 pandas 慢，且内存占用更高——它先把全量转成 object 类型再推导，不流式解析

NumPy 的这两个函数边界很清晰：只适合已知格式干净、纯数字、无 header、无缺失的简单表格。现实中的 CSV 几乎都不满足——这时候卡在 np.loadtxt() 上反复调参数，不如直接切到 pandas 读完再转 .values。