pandas.read_table()读取XYZ文件时首行数据丢失问题排查

核心问题是对文件指针的状态逻辑理解有误，叠加多余循环逻辑导致读行错位：

• 打开的文件对象是带位置状态的，不管是用for line in inputfile逐行迭代、readline()读行，还是pd.read_table()读内容，都会向后移动同一个文件指针，不会自动重置位置。
• 外层for data_file in inputfile第一次循环时，就已经读取了第一帧的第一行（原子数行 6），此时文件指针停在第一帧第二行（注释行）的开头。
• 之后调用pd.read_table(skiprows=2)时，pandas会从当前指针位置再向后跳过2行：第一行跳过当前指针所在的注释行，第二行就直接跳过了第一帧的第一个O原子坐标行，直接从第一个H原子行开始读取，这就是首行坐标丢失的直接原因。
• 内层for i in range(0, n_atoms)循环完全多余，会让处理完第一帧6行坐标后，重复调用6次read_table，把后续帧的原子数行（值为6）错当成坐标行读入，才会出现输出里最后一行6 NaN NaN NaN的错误。

去掉多余的内层循环，不要在外层提前逐行迭代消耗文件内容，每帧手动读取前2行非坐标内容后，直接读取对应数量的坐标行即可，不需要加skiprows参数：

import pandas as pd

count_steps = 0
n_atoms = 6
with open("./test.xyz", 'r') as inputfile:
    while True:
        # 读取原子数行，读到空内容说明文件到末尾
        atom_num_line = inputfile.readline()
        if not atom_num_line:
            break
        # 读取注释行
        comment_line = inputfile.readline()
        # 直接读取n_atoms行坐标
        molecule = pd.read_table(
            inputfile,
            delim_whitespace=True,
            nrows=n_atoms,
            names=['atom', 'x', 'y', 'z']
        )
        count_steps += 1
        print(f"===== 第{count_steps}帧坐标 =====")
        print(molecule)

如果需要兼容不同帧原子数不一致的xyz文件，不用提前固定n_atoms，直接从读到的原子数行解析数值即可，适配性更强：

import pandas as pd

count_steps = 0
with open("./test.xyz", 'r') as inputfile:
    while True:
        atom_num_line = inputfile.readline()
        if not atom_num_line:
            break
        # 从当前帧头部解析原子总数
        n_atoms = int(atom_num_line.strip())
        comment_line = inputfile.readline()
        molecule = pd.read_table(
            inputfile,
            delim_whitespace=True,
            nrows=n_atoms,
            names=['atom', 'x', 'y', 'z']
        )
        count_steps += 1
        print(molecule)

运行后不会再出现首行坐标丢失、原子数行被错读为坐标的问题。

内容的提问来源于stack exchange，提问作者mykd