NumPy 的 loadtxt 和 genfromtxt 在 Windows 上无法处理含中文的路径，因底层 C 函数不支持宽字符路径；正确做法是先用 open() 打开文件并传入文件对象，而非直接传字符串路径。
NumPy loadtxt 和 genfromtxt 读取含中文路径时报错
直接报 OSError: [Errno 22] Invalid argument 或静默失败，本质是底层 C 函数（如 fopen）在 Windows 上不支持宽字符路径，而 NumPy 的这些函数未做 Unicode 路径适配。
这不是编码问题（比如文件内容是 UTF-8），而是路径字符串本身无法被 C 标准库正确解析。Windows 默认 ANSI 编码（如 GBK）下，Python 3 虽然用 str 表示 Unicode，但 NumPy 某些 I/O 函数仍会把路径传给 C 层而不经转换。
- 临时解决：把文件移到纯 ASCII 路径下（如
C:/data/test.txt），验证是否为路径问题 - 根本办法：绕过 NumPy 原生路径处理，先用 Python 打开文件对象再传入
- 注意：
np.loadtxt支持文件对象（io.TextIOWrapper或io.BytesIO），但不支持pathlib.Path直接传入
用 open() 包装路径再传给 np.loadtxt
让 Python 负责路径解码和文件打开，NumPy 只处理已打开的流，彻底避开 C 层路径限制。
import numpy as np
<h1>✅ 正确：先 open，再传 file object</h1><p>with open(r"数据\测量记录_2024年.csv", encoding="utf-8") as f:
data = np.loadtxt(f, delimiter=",", skiprows=1)</p><h1>❌ 错误：直接传字符串路径（在 Windows 中易失败）</h1><h1>data = np.loadtxt("数据\测量记录_2024年.csv", delimiter=",")-
encoding参数必须显式指定，尤其当 CSV 含中文时；若省略，open()可能用系统默认编码（如 cp936），导致UnicodeDecodeError - 路径前加
r""避免转义问题，或统一用正斜杠"数据/测量记录_2024年.csv" - 该方法对
np.genfromtxt、np.fromfile（二进制）同样适用，但fromfile需用mode="rb"和bytes流
np.fromfile 读二进制文件时的路径陷阱
np.fromfile 默认走底层 fopen，对非 ASCII 路径几乎必然失败，且错误信息更模糊（常为 ValueError: size must be positive 或空数组）。
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
立即学习“Python免费学习笔记（深入）”；
- 必须用
open(..., "rb")先获取BytesIO或直接传buffer - 示例：
import numpy as np from io import BytesIO <p>with open("实验/信号.raw", "rb") as f: buf = BytesIO(f.read()) # 注意：小文件可读全，大文件请用 mmap 或分块 -
np.fromfile(buf, dtype=np.float32)—— 这里buf是BytesIO，绕过了路径解析 - 大文件慎用
f.read()；可改用mmap.mmap(f.fileno(), 0, access=mmap.ACCESS_READ)，再传给np.frombuffer
跨平台脚本中路径处理的隐性风险
Linux/macOS 对非 ASCII 路径容忍度高，容易掩盖问题；一旦部署到 Windows 就崩。不要依赖“本地跑通”来判断路径安全性。
- 统一用
pathlib.Path构建路径，但最终传给 NumPy 前必须调用open() - 避免拼接字符串路径：
Path("data") / "测试.csv"是安全的，但np.loadtxt(str(p))仍可能失败 - 如果必须用字符串路径（如配置文件读取），加一层存在性检查 + 编码验证：
from pathlib import Path p = Path("结果/汇总.npy") if not p.exists(): raise FileNotFoundError(f"路径不存在或无法解析：{p}")
最麻烦的地方在于：错误不总在 NumPy 报，有时卡在 open()，有时卡在 NumPy 内部，而且不同函数行为不一致——得按函数逐个确认是否接受文件对象。
