用 h5py.file() 打开 hdf5 文件后，应先用 f.keys() 查顶层键，再通过 f.visit() 递归遍历所有对象路径；对每个 dataset，检查 .shape、.dtype 和 .attrs 获取元信息，避免直接 np.array(dset) 全量加载。
怎么用 h5py 打开 HDF5 文件并检查结构
直接用 h5py.File() 打开后，别急着读数据——先看清楚文件里有什么。HDF5 是树状结构，类似文件系统，keys() 和 items() 只能看到一级成员，深层嵌套得递归或用 visit()。
常见错误是假设数据在根目录下，结果 f['data'] 报 KeyError。实际路径可能是 f['/group1/dataset2']，甚至带空格或特殊字符。
- 用
f.visit(print)快速列出所有对象路径（注意：只打印路径字符串，不加载数据） - 对每个
h5py.Dataset，用.shape、.dtype、.attrs查元信息，别直接np.array(dset) - 如果文件带压缩（如
gzip），读取时不会报错，但.shape正常，.size可能极大——小心内存爆掉
读取 Dataset 时什么时候该用切片，什么时候该用 np.array()
HDF5 的核心优势是“按需读取”，而 np.array(dset) 会把整个 dataset 拷贝进内存，对 GB 级数据是灾难。切片（dset[1000:2000]）才是常态操作。
特别注意：切片返回的是 numpy.ndarray，但原始 dset 是 h5py.Dataset 对象，两者行为不同——比如 dset[...] 等价于全量读取，dset[:] 也是；但 dset[()] 在某些版本中行为不一致，建议统一用 [:] 或明确范围。
- 小数据（np.array(dset) 转成纯 numpy，后续运算更快
- 大数据、只取部分行/列/通道：用
dset[start:stop:step]，支持多维索引，如dset[::2, 100:200, :] - 读取前先
print(dset.chunks)，如果启用了 chunking，切片会更高效；否则可能触发整块读取
用 matplotlib 画图时，为什么图像显示为空白或形状错乱
多数问题出在维度理解偏差：HDF5 不强制存储“图像”语义，dset.shape 可能是 (time, height, width, channel)，但 plt.imshow() 只接受 2D 或 3D（H×W 或 H×W×3/4）。直接传 (100, 256, 256, 1) 会报错或显示异常。
另一个坑是数据类型——uint16 图像若没归一化，imshow() 默认按 float 处理，像素值 >255 就全亮白；int8 带符号的话，负值会映射到黑区。
- 先确认目标维度：
img = dset[0] # 取第一帧，再print(img.shape, img.dtype) - 灰度图确保是 2D：
img = np.squeeze(img) # 去掉长度为1的维度 - 归一化示例：
img = (img / img.max()).astype(np.float32)（避免除零，可加np.finfo(float).eps） - 彩色图注意通道顺序：
img = np.transpose(img, (1, 2, 0))若原为(C,H,W)
关闭文件和释放资源的硬性要求
h5py.File 对象不是 Python 的普通对象，它底层绑定了 C 库的文件句柄。不显式 close() 或用上下文管理器，可能导致文件被锁住、后续无法写入，甚至 Python 进程退出后句柄仍残留（尤其 Windows）。
更隐蔽的问题是：多个 h5py.File 同时打开同一文件（即使都是只读），在某些 HDF5 版本下会引发 Unable to open file (file is already opened for write) 类错误。
- 必须用
with h5py.File(path, 'r') as f:，哪怕只读 - 不要依赖
del f或垃圾回收——h5py不保证及时释放 - 如果需长时间持有句柄（如服务进程），务必确认没有重复打开同一路径，且定期
f.flush()（写模式下）
HDF5 的“懒加载”特性既是优势也是陷阱：你看不见数据搬移，就容易误判内存占用；结构灵活，也意味着每次读取前都得多看两眼 .keys() 和 .attrs。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
