如何将ZINC数据库的smi文件转为DataFrame？现有代码显示异常

问题根源 #

你用readlines()读取文件时，会保留每行末尾的换行符\n，导致DataFrame里的SMILES字符串携带多余换行标记，进而引发显示异常。另外，不少SMI文件是SMILES字符串+化合物ID的两列格式，直接按单列表格处理也会出错。

修正方案 #

方案1：处理单列SMI文件（仅含SMILES字符串）

如果你的SMI文件每行只有一个SMILES字符串，修改代码去除换行符即可：

import pandas as pd

smiles_file_path = "你的文件路径.smi"
# 读取文件并清除每行末尾的换行符
with open(smiles_file_path, 'r') as f:
    smiles_list = [line.strip() for line in f.readlines()]

# 生成DataFrame
df = pd.DataFrame({'SMILES': smiles_list})
# 显示前5行验证结果
print(df.head())

方案2：读取带ID的SMI文件（常见格式）

如果你的SMI文件是SMILES 化合物ID的两列结构，直接用Pandas的read_csv更高效：

import pandas as pd

smiles_file_path = "你的文件路径.smi"
# 指定空格为分隔符，自定义列名
df = pd.read_csv(smiles_file_path, sep=' ', names=['SMILES', 'Compound_ID'])
# 输出完整数据
print(df)

额外排查建议 #

• 若文件存在空行，可添加过滤逻辑：smiles_list = [line.strip() for line in f if line.strip()]
• 若出现编码错误，读取时指定编码：open(smiles_file_path, 'r', encoding='utf-8')

内容的提问来源于stack exchange，提问作者metonia mari