np.save和np.savez读取慢的主因是未启用压缩与内存映射优化：单数组应配mmap_mode='r'，多数组用np.savez_compressed，超大文件需Python 3.8+及NumPy≥1.19。
为什么 np.save 和 np.savez 保存的文件有时反而读得慢？
不是格式问题，而是默认没压缩、没内存映射优化。NPZ 文件本质是 ZIP 归档，如果存了多个大数组但没用 np.savez_compressed，解压开销会拖慢加载；而 NPY 文件虽是纯二进制，但如果数组特别大（比如 >2GB），直接 np.load 会一次性载入内存，容易 OOM 或卡顿。
- 单个数组 → 优先用
np.save+mmap_mode='r'（内存映射读取） - 多个数组 → 用
np.savez_compressed，别用裸np.savez - 超大数组（>4GB）→ 确保用 Python 3.8+ 和 NumPy ≥1.19，否则可能报
OSError: [Errno 22] Invalid argument
np.save 保存后，用 np.load 读取却报错 ValueError: Cannot load file containing pickled data？
这是文件被意外用 pickle 写过，或后缀名不对导致 NumPy 误判格式。NPY 文件必须严格由 np.save 生成，且扩展名只能是 .npy；若用 .npz 后缀却调 np.save，NumPy 仍会写成 NPY 格式，但后续 np.load 遇到 .npz 名会强制走 ZIP 解析路径，从而触发 pickle 安全检查失败。
- 保存时确保后缀匹配：单数组用
.npy，多数组用.npz - 不要手动改文件后缀，也不要混用
pickle.dump和np.save - 验证文件头：
head -c 6 your_file.npy应输出\x93NUMPY（小端字节序）
如何让 np.load 不加载全部数据，只读某一部分？
靠 mmap_mode 参数实现零拷贝访问，尤其适合只查子集、做切片或迭代的场景。它不把整个数组搬进内存，而是通过操作系统内存映射按需读页。
-
np.load('data.npy', mmap_mode='r')返回一个memmap对象，支持索引、切片、.shape等操作 - 不能对
mmap_mode='r'的数组调.copy()或赋值，会报TypeError: Cannot change memory mapping - 如果需要修改，先
arr.copy()转成普通 ndarray，再操作 - 注意：Windows 上对大于 2GB 的文件启用 mmap 可能失败，建议用
mmap_mode='c'（copy-on-write）替代
np.savez_compressed 比 np.savez 快还是慢？
写入更慢，读取更快——这是典型空间换时间。压缩本身耗 CPU，但减少了磁盘 I/O 和解包时的数据搬运量，尤其在 SSD 速度受限或网络存储（如 NFS）场景下收益明显。
立即学习“Python免费学习笔记（深入）”；
- 压缩率取决于数据：全零或重复值多的数组，
np.savez_compressed可达 10x 压缩比；随机浮点数通常只有 1.2–1.5x - 读取时自动解压到内存，无需额外步骤；但无法 mmap，所有数组都会被完整加载
- 若要部分加载，只能先
np.load('file.npz')得到对象，再用键名索引，例如npz['arr_0']，这步仍会解压对应数组
真正影响性能的从来不是后缀名，而是你是否在保存时就决定了访问模式：一次性全量加载，还是按需映射。选错方式，后面再优化 I/O 也补不回设计缺陷。
