如何将无分隔符的.geno数字矩阵导入Python并解决读取异常

• 直接用pd.read_csv('22_chr.geno')读取时，pandas默认以逗号为分隔符，你的文件没有逗号分隔符，会把整行内容全部识别为单列文本，最终只生成1列。
• 用numpy读取时，若直接将无分隔的长数字串按数值类型解析，序列长度对应的数值远超过整数类型的存储上限，会触发溢出，最终被识别为inf，完全无法得到正确结构。
• 你的文件本质是每行结构为：行索引标签 + 连续拼接的单字符基因型值（0/1/2/9），共2054个基因型列，列之间没有专门的分隔符，因此核心处理逻辑是先拆分每行的标签部分与基因型序列部分，再逐字符将每个基因型值拆分为独立列。

pandas 实现（无需额外依赖） #

import pandas as pd

# 第一步：读取行标签与原始基因型字符串，不做列内拆分
raw_data = pd.read_csv(
    '22_chr.geno',
    sep=r'\s+',  # 自动匹配标签与基因型串之间的任意长度空白分隔
    header=None,
    names=['row_label', 'geno_string']
)

# 第二步：将连续的基因型字符串逐字符拆分为独立列
geno_matrix = pd.DataFrame(
    raw_data['geno_string'].apply(list).tolist()
).astype(int)

# 将行标签设置为矩阵索引
geno_matrix.index = raw_data['row_label'].values

如果文件中标签与基因型串之间是固定制表符分隔，可以把sep=r'\s+'换成sep='\t'，读取效率会更高。

numpy 快速实现（适合大体积文件） #

如果文件行数较多，pandas的逐行处理速度偏慢，可以用纯numpy逻辑读取，处理效率更高：

import numpy as np

# 读取全文件的行文本
with open('22_chr.geno', 'r') as f:
    lines = f.read().splitlines()

row_labels = []
geno_sequences = []
for line in lines:
    # 按空白拆分，第一部分为行标签，剩余部分拼接为完整基因型串
    line_parts = line.split()
    row_labels.append(int(line_parts[0]))
    full_geno_str = ''.join(line_parts[1:])
    geno_sequences.append(list(full_geno_str))

# 转换为整数基因型矩阵
full_geno = np.array(geno_sequences, dtype=int)
full_geno_labels = np.array(row_labels)

不要直接给pandas的read_csv传sep=''尝试按单字符拆分，该参数在新版pandas中会触发兼容性警告，且对长行的处理效率极低，稳定性差。
之前出现的numpy读取全为inf的问题，本质是把整串数十位的长数字当作单个整数解析，超出了int64的存储范围。只要先将字符串拆分为单个字符，再逐字符转成1位整数，就不会出现溢出问题。
拆分完成后可以通过full_geno.shape检查列数是否为2054，若存在不一致，仅需调整行内的拆分规则，排查是否有多余空格打断基因型序列即可。

内容的提问来源于stack exchange，提问作者Dr. Emil Nyerki