numpy.fromfile是读取无头二进制文件最快捷的方式，但需严格匹配dtype、字节序和排列顺序；常见错误是dtype不匹配导致数据错误，应通过设备文档或十六进制编辑器确认数据类型与字节序。
numpy.fromfile 读取二进制数据最直接，但 dtype 必须严格匹配
实验设备导出的二进制文件（如 .bin、.dat）通常不含头信息，numpy.fromfile 是最快捷的加载方式。关键在于你必须提前知道原始数据的类型、字节序和排列顺序。
常见错误是直接用 dtype=np.float64 读取实际为 int16 的信号采集数据，结果数值全错且难以排查。
- 先确认设备文档或用十六进制编辑器（如 xxd）查看前几个字节，判断是
int16、float32还是uint8 - 注意字节序：
dtype=np.dtype('>f4')表示大端 float32，'<f4> 是小端；多数 PC 设备用小端，但某些嵌入式设备用大端</f4> - 若数据是多通道交错存储（如 channel1_sample1, channel2_sample1, channel1_sample2…），读完后需用
.reshape()重排，不能依赖自动解析
reshape 前务必验证总字节数是否整除
读取后想转成 (n_samples, n_channels) 形状？别急着 reshape —— 先检查 len(data) % n_channels == 0。不满足就说明要么通道数填错，要么文件末尾有填充字节或校验码没剔除。
例如某加速度传感器输出 3 轴数据，每样本占 6 字节（int16 × 3），若文件大小是 12006 字节，12006 ÷ 6 = 2001，刚好整除；但若读成 float32（每样本 12 字节），12006 ÷ 12 = 1000.5，reshape 会报错 ValueError: cannot reshape array。
立即学习“Python免费学习笔记（深入）”；
- 用
os.path.getsize('data.bin')获取真实字节数 - 计算理论字节数：
n_samples × n_channels × np.dtype(dtype).itemsize - 若两者不等，优先怀疑 dtype 或通道数错误，而不是丢数据
内存映射适合超大文件，但修改后需手动 flush
处理 GB 级实验数据时，np.memmap 比 fromfile 更省内存，但它默认以只读模式打开，且写入后不会自动同步到磁盘。
常见陷阱是：用 mode='r+' 打开 memmap，改了几行就以为保存了，结果程序退出后文件没变。
- 写入后必须显式调用
arr.flush()，否则改动仅停留在内存页缓存中 - 避免在多进程间共享同一 memmap 文件，无锁访问会导致数据损坏
- 如果只是读取分析，用
mode='r'最安全；需要原地修改才选'r+'
遇到非标准格式（如含 header 或混合类型）别硬塞 fromfile
有些设备导出的 “二进制” 实际带固定长度 header（比如前 128 字节是采样率、通道名等字符串），或者不同段用不同 dtype 存储（header 是 uint8，数据体是 float32）。这时硬套 fromfile 会把 header 当数据读进去，后续全错。
正确做法是分段读取：
- 用 Python 内置
open(..., 'rb')手动跳过 header：f.seek(128)，再传给np.frombuffer(f.read(), dtype=np.float32) - 若 header 含结构化信息（如 C struct），用
struct.unpack解析，比硬猜更可靠 - 不要试图用
np.fromfile的offset参数跳 header —— 它按字节偏移，但 dtype 对齐可能出问题，尤其涉及 padding 时
二进制数据没有通用格式，设备手册里那个 “Data Format” 小节，比任何教程都重要。漏看一个字节序标记，后面所有分析都得返工。
