np.savetxt()是numpy导出纯数值数组最直接可控的方式，支持delimiter设分隔符、fmt控精度（如'%d'或'%.3f'），但不支持列名与混合类型，含nan/inf需指定nanstr/infstr，中文路径须用open+encoding='utf-8-sig'传入文件对象。
用 np.savetxt() 是最直接且可控的方式
NumPy 自带的 np.savetxt() 就是为此设计的，不依赖 Pandas，开销小，适合纯数值数组导出。它默认以空格分隔，但通过 delimiter 参数可轻松切换为逗号。
常见错误是忽略 fmt 参数导致精度丢失或科学计数法输出（比如 1.23456789e+02），尤其在处理整数或固定小数位数据时明显。
- 导出整数数组：用
fmt='%d'避免小数点和尾随零 - 导出浮点数并保留 3 位小数：用
fmt='%.3f' - 若数组含
nan或inf，需配合nanstr和infstr参数，否则会写入nan字符串（可能被 Excel 当文本读取） - 注意
np.savetxt()不写列名，如需表头，得手动写入或换用 Pandas
当需要表头或混合类型时，pandas.DataFrame.to_csv() 更稳妥
NumPy 数组本身不支持列名或异构类型（如同时含字符串和数字），硬用 np.savetxt() 会报错或静默截断。这时转成 pandas.DataFrame 再导出更可靠。
性能上会有轻微开销（构造 DataFrame + 类型推断），但对百万级以下数据几乎无感；真正影响速度的是磁盘 I/O 和格式化逻辑，而非中间转换。
- 单列数组：用
pd.DataFrame(arr).to_csv('out.csv', index=False, header=['col_name']) - 多维数组：先确认是否需展平（
arr.ravel()）或按行/列导出（pd.DataFrame(arr)默认每行为一记录） - 避免
index=True（默认行为），否则第一列是行号，容易误读 - 大数组慎用
float_format='%.6f'，它会在 Python 层逐元素格式化，比np.savetxt(fmt='%.6f')慢约 2–3 倍
内存受限时，避免一次性加载整个数组到内存再写入
如果数组极大（比如 (10M, 10) 形状），np.savetxt() 和 to_csv() 都会尝试全量格式化，可能触发内存溢出或 swap 颠簸。
此时应分块处理：用 np.nditer() 或切片生成器逐行/逐块写入，绕过中间字符串拼接。
- 简单分块写法：
with open('out.csv', 'w') as f: f.write('col1,col2,col3\n') # 手动写头 for i in range(0, arr.shape[0], 10000): chunk = arr[i:i+10000] np.savetxt(f, chunk, delimiter=',', fmt='%.6f', newline='\n') - 注意
np.savetxt()的newline参数必须设为'\n'（默认是'\n'，但显式声明更安全），否则 Windows 下可能混用\r\n - 不要用
print(..., file=f)拼接 CSV 行——无转义、不处理逗号/换行符，极易损坏文件
中文路径或含特殊字符时，encoding 必须显式指定
Windows 默认编码是 gbk，而 CSV 标准推荐 utf-8；如果路径含中文或数据含中文字段，不指定编码会导致 UnicodeEncodeError 或乱码。
这个坑在 Linux/macOS 上不明显（默认 UTF-8），但一到 Windows 就暴露，且错误信息常指向“无法写入文件”，掩盖了真实原因。
- 统一用
encoding='utf-8-sig'（尤其要兼容 Excel 打开） -
np.savetxt()不支持encoding参数，必须用open()手动传入文件对象：with open('测试数据.csv', 'w', encoding='utf-8-sig') as f: np.savetxt(f, arr, delimiter=',', fmt='%.3f') - Pandas 的
to_csv()支持encoding参数，但utf-8-sig要显式写全，不能简写为utf8
实际导出时，最容易被跳过的其实是分隔符一致性与缺失值表示——CSV 解析器对 nan、空字符串、NULL 的处理差异很大，务必提前确认下游系统（比如 Excel、R、数据库导入工具）期望的格式。
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！
