np.load读取.npz文件需指定key，因返回NpzFile对象而非数组；.npy可用mmap_mode='r'加速大文件读取；压缩影响加载速度；路径权限和文件完整性常致OSError。
np.load 读取 .npz 文件时必须指定 key
直接用 np.load 打开 .npz 文件不会返回数组，而是返回一个 NpzFile 对象——它像字典一样惰性加载，不显式索引就拿不到数据。常见错误是写 data = np.load("file.npz") 然后直接用 data.shape，结果报 AttributeError: 'NpzFile' object has no attribute 'shape'。
正确做法是先查 key，再取值：
import numpy as np
archive = np.load("data.npz")
print(archive.files) # 查看所有保存的变量名，比如 ['x', 'y', 'meta']
x = archive['x'] # 按 key 取出具体数组
y = archive['y']注意：.npz 是 zip 压缩格式，内部可存多个数组，但没默认主键；.npy 才是单数组二进制，直接 np.load 就能返回数组。
用 mmap_mode='r' 加速大文件读取（尤其 >1GB）
对超大 .npy 文件，np.load 默认把整个文件读进内存，既慢又占资源。加 mmap_mode='r' 可以让 NumPy 用内存映射方式按需读取——真正访问某行/切片时才从磁盘加载，启动几乎零延迟。
立即学习“Python免费学习笔记（深入）”；
适用场景：
- 只读部分数据（如取前 1000 行做预览）
- 机器内存小于文件大小
- 多进程并发读同一文件（mmap 安全）
示例：
x = np.load("big_file.npy", mmap_mode='r') # 返回 memmap 对象
subset = x[0:1000] # 实际读盘只发生在这里⚠️ 注意：mmap_mode 不支持 .npz；且 memmap 对象不能直接传给某些函数（如 torch.tensor() 需先 .copy()）。
压缩级别影响加载速度，而非 np.load 本身
np.savez_compressed 生成的 .npz 文件确实更小，但解压开销在 np.load 时才发生——不是“越高压缩越慢”，而是“解压耗时 + 数据拷贝耗时”总和变长。实测中，压缩比 >3x 后，加载时间可能比未压缩 .npz 慢 2–5 倍。
权衡建议：
- 存档/传输用
savez_compressed，节省空间 - 高频读取的中间数据，优先用
savez（无压缩）或分拆为多个.npy - 真要压缩又想快？改用
zarr或parquet，它们支持块级解压和并行读取
路径或权限问题常被忽略，导致 OSError
报错 OSError: Failed to interpret file 或 PermissionError 时，90% 不是代码问题，而是：
- 路径含中文或空格，且没用 raw string 或
os.path.join - 文件被其他进程占用（如 Jupyter 正在写、Windows 资源管理器预览缩略图）
-
.npz文件实际是损坏的（比如中断写入），可用unzip -t data.npz检查完整性
安全写法：
import os
path = os.path.join("data", "features.npz")
if os.path.exists(path):
data = np.load(path)
else:
raise FileNotFoundError(f"Missing: {path}")真正卡住的地方往往不在 NumPy API 本身，而在文件系统层——别急着调参，先 ls -l 或 dir 确认文件存在且可读。
