np.loadtxt 在处理大文件时存在一个已知缺陷：skiprows 会被错误地应用于每个数据块（默认块大小50000行），而非仅跳过文件开头指定行数，导致多跳行、数据丢失，尤其在 dtype=str 下表现明显。
`np.loadtxt` 在处理大文件时存在一个已知缺陷：`skiprows` 会被错误地应用于每个数据块（默认块大小50000行），而非仅跳过文件开头指定行数，导致多跳行、数据丢失，尤其在 `dtype=str` 下表现明显。
在使用 numpy.loadtxt 读取大型文本文件（如含 524123 行的 ID 列表）时，若指定 skiprows=1 期望仅跳过首行表头，却意外缺失 10 行数据——这并非用户操作失误，而是 NumPy 2.2.3 及更早版本中一个已确认的底层实现缺陷。
? 问题根源：分块加载 + 重复跳行
loadtxt 内部采用分块（chunked）方式逐批读取文件，默认每块最多 50000 行。而 skiprows=n 的逻辑被错误地应用在每个块的起始处，而非仅对整个文件生效。
以 524123 行文件为例：
- 总块数 = ⌈524123 / 50000⌉ = 11 块
- 每块均执行
skiprows=1→ 实际跳过 11 行（第1行 + 后续每块首行） - 导致净丢失 10 行（本应只跳1行，却跳了11行）
该行为在 dtype=str 下尤为显著，是因为字符串类型触发了更严格的缓冲区对齐与内存预分配逻辑，放大了块边界判定误差；而显式指定固定长度字符串类型（如 ''
✅ 验证与复现示例
import numpy as np
# 模拟问题文件（含表头）
with open('foo.txt', 'w') as f:
f.write('IID SuperPops\n')
for i in range(50002): # 超过 50000 行，触发第二块
f.write(f'FG{i:08d} R6\n')
# 观察跳行异常
print("Total lines (with header):", 50003)
print("skiprows=0 →", len(np.loadtxt('foo.txt', usecols=0, dtype=str))) # 50003
print("skiprows=1 →", len(np.loadtxt('foo.txt', usecols=0, dtype=str, skiprows=1))) # 50001（应为50002，少1行）
# 第二块首行（第50002行）被额外跳过 → 确认块级 skiprows 错误
? 解决方案与替代建议
| 方案 | 说明 | 推荐度 |
|---|---|---|
| 升级 NumPy ≥ 2.2.4 | 官方已在 PR #28319 中修复该问题，skiprows 现严格作用于文件全局起始位置。 |
⭐⭐⭐⭐⭐ |
改用 np.genfromtxt |
更健壮的通用文本加载器，无此分块跳行缺陷，支持相同参数（skip_header, usecols, dtype）。 |
⭐⭐⭐⭐ |
手动跳过 + np.loadtxt |
先用 Python 打开文件并跳过首行，再传入文件对象：with open('foo.txt') as f: next(f); data = np.loadtxt(f, usecols=0, dtype=str)
|
⭐⭐⭐⭐ |
| Pandas 替代（推荐大数据场景） |
pd.read_csv('foo.txt', sep=r'\s+', header=0, usecols=[0], dtype=str)['IID'].values —— 自动处理空白分隔、编码鲁棒、性能优。 |
⭐⭐⭐⭐⭐ |
⚠️ 注意事项
- 此 Bug 与
comments、delimiter、converters等参数无关，纯属skiprows在分块流式读取中的逻辑错误； -
unpack=True/False、usecols组合不会规避该问题，仅影响输出形状； - 若项目受限于旧版 NumPy（如 QMT 等封闭环境），切勿依赖
skiprows处理超 50000 行文本，务必采用文件对象跳过或genfromtxt方案； - 字符串长度不一致（如
len(ID)==10的 ID 全部丢失）是典型线索，可快速定位是否命中此缺陷。
✅ 总结：这不是数据格式问题，而是 NumPy 版本缺陷。升级至 2.2.4+ 是根本解法；临时项目请优先选用
genfromtxt或pandas.read_csv，兼顾正确性、可维护性与未来兼容性。
