np.save/np.load仅支持二进制.npy格式，专为NumPy设计，含dtype、shape元信息，不兼容CSV/Excel；savez/savez_compressed可打包多个数组为.npz，加载后为只读NpzFile对象，需用data["key"]访问，且dtype严格保留，易致下游异常。
save 和 load 只能读写 .npy 文件，不是通用格式
NumPy 的 np.save 和 np.load 专为 NumPy 自身设计，存的是二进制 .npy 格式，带 dtype、shape 等元信息。它不兼容 Excel、CSV 或其他语言直接读取——如果你需要跨平台或人工查看，别用这对函数。
常见错误现象：np.load("data.csv") 报 ValueError:未能识别文件头；或者用 Python 加载后发现数组 dtype 变成 object，其实是误存了 list 而非 array。
- 确保输入是真正的
np.ndarray，不是list或pd.Series：先做np.asarray(data) - 文件扩展名必须是
.npy（np.save会自动加，但np.load不会猜） - 路径中含中文或空格时，Windows 下容易出错，建议用绝对路径或
pathlib.Path构造
savez 和 savez_compressed 支持多个数组打包
单个 .npy 只能存一个数组；要保存 X、y、metadata 等多个变量，得用 np.savez 或压缩版 np.savez_compressed。
使用场景：训练数据切分后保存 X_train、X_test、y_train，避免分散多个文件、命名混乱。
立即学习“Python免费学习笔记（深入）”；
-
np.savez("data.npz", X=X_train, y=y_train)—— 键名会成为加载后的字段名 - 加载后是
np.lib.npyio.NpzFile对象，用data["X"]取值，不是字典，不支持.keys()迭代（得用list(data.keys())） -
savez_compressed体积通常小 30–70%，但保存/加载稍慢；科学计算中推荐默认用它
load 返回视图还是副本？内存和修改风险要注意
np.load 默认返回内存映射（mmap_mode=None），即读取时不全载入内存，而是按需访问——这对大数组友好，但有个关键副作用：返回的对象是只读的。如果代码里写了 arr[0] = 1，会立刻报 ValueError: assignment destination is read-only。
- 想可写，加参数
np.load("x.npy", mmap_mode="r+")（需文件系统支持）或更稳妥地用np.load(...).copy() - 如果原始数组很大（>1GB），盲目
.copy()可能触发 OOM；先确认是否真需要修改，否则保持只读更安全 -
npz文件里的每个数组也默认只读，同样适用上述规则
dtype 不一致导致 load 后数值异常
NumPy 存储时严格保留 dtype，比如 np.int32 存进去，np.load 出来还是 int32。问题在于：Python 整数默认是 int64，Pandas 默认用 int64，模型库（如 scikit-learn）有时对 int32 输入行为异常（例如树模型报 ValueError: Unknown label type）。
- 保存前显式统一 dtype：
np.save("x.npy", x.astype(np.float32))（尤其适合深度学习输入） - 不要依赖
np.save的自动推断——np.array([1, 2, 3])是int64，但np.array([1, 2, 3.0])就变成float64，容易埋坑 - 加载后检查：
print(arr.dtype)，别只看arr.shape
np.load 的只读性与 dtype 隐式转换这两点——它们不会报错，但会在下游模型训练或数据拼接时突然崩掉，且 traceback 很难定位到源头。 
