本文介绍如何正确读取zinc数据库导出的smi文件（空格或制表符分隔的文本格式），并将其结构化为带smiles和化合物id两列的pandas dataframe，避免手动逐行读取导致换行符残留、列错位等问题。
本文介绍如何正确读取zinc数据库导出的smi文件（空格或制表符分隔的文本格式），并将其结构化为带smiles和化合物id两列的pandas dataframe，避免手动逐行读取导致换行符残留、列错位等问题。
ZINC数据库导出的 .smi 文件并非纯单列SMILES文本，而是一种轻量级制表格式：首列为SMILES字符串，第二列为ZINC ID（如 ZINC000016090786），两列之间以一个或多个空白字符（空格或制表符）分隔。若直接使用 f.readlines() 读取，不仅会保留每行末尾的 \n 换行符，还会丢失列结构信息，导致DataFrame中所有数据挤在单列、ID与SMILES混杂，无法用于后续化学信息学分析（如RDKit分子解析、QSAR建模等）。
推荐使用 pandas.read_csv() 直接解析，关键在于指定正确的分隔符：
import pandas as pd
# 正确方式：用正则 \s+ 匹配任意空白分隔（兼容空格、制表符、多空格）
df = pd.read_csv('substances.smi', sep=r'\s+', header=None, engine='python')
# 显式命名列（ZINC标准格式：SMILES + ID）
df.columns = ['SMILES', 'ID']
# 可选：去除SMILES两端空白及换行影响（read_csv已自动处理，但可双重保险）
df['SMILES'] = df['SMILES'].str.strip()
df['ID'] = df['ID'].str.strip()
print(df.head())输出示例：
SMILES ID 0 N[C@H](CCc1ccc(N(CCCl)CCCl)cc1)C(=O)O ZINC000016090786 1 N[C@@H](CCCc1ccc(N(CCCl)CCCl)cc1)C(=O)O ZINC000002033385 2 N[C@H](CCCc1ccc(N(CCCl)CCCl)cc1)C(=O)O ZINC000001763088
⚠️ 注意事项：
- 不要使用 sep=' '（单空格）：ZINC文件常含不等宽空格或混合制表符，会导致列解析错位；sep='\s+' 是鲁棒性最佳实践。
- 避免省略 header=None：SMI文件无标题行，否则首行会被误判为列名。
- 若遇到编码错误（如 UnicodeDecodeError），添加 encoding='utf-8' 或 encoding='latin-1' 参数。
- 后续如需用RDKit处理，可快速生成分子对象列：
from rdkit import Chem df['Mol'] = df['SMILES'].apply(lambda x: Chem.MolFromSmiles(x)) df = df.dropna(subset=['Mol']) # 过滤无效SMILES
此方法简洁、高效、可复现，是连接ZINC化学数据与Python数据分析生态的标准起点。
