我没有看到任何更简单的方法来计算最大行长度，但只通过一次并找到它。然后，我们在第二遍中构建二维数组。比如：
from __future__ import print_function
import numpy as np
from itertools import chain
data = '''AB 12 43 54
DM 33 41 45 56 33 77 88
MO 88 55 66 32 34
KL 10 90 87 47 23 48 56 12'''
max_row_len = max(len(line.split()) for line in data.splitlines())
def padded_lines():
for uneven_line in data.splitlines():
line = uneven_line.split()
line += ['0']*(max_row_len - len(line))
yield line
# I will get back to the line below shortly, it unnecessarily creates the array
# twice in memory:
array = np.array(list(chain.from_iterable(padded_lines())), np.dtype(object))
array.shape = (-1, max_row_len)
print(array)
打印出来：
[['AB' '12' '43' '54' '0' '0' '0' '0' '0']
['DM' '33' '41' '45' '56' '33' '77' '88' '0']
['MO' '88' '55' '66' '32' '34' '0' '0' '0']
['KL' '10' '90' '87' '47' '23' '48' '56' '12']]
上面的代码效率很低，因为它在内存中创建了两次数组。我会回到它；我想我可以解决这个问题。
但是，numpy 数组应该是同构的。您想将字符串（第一列）和整数（所有其他列）放在同一个二维数组中。 我仍然认为您在这里走错了路，应该重新考虑问题并选择另一种数据结构或以不同的方式组织您的数据。我无法帮助您，因为我不知道您想如何使用这些数据。
（我很快就会回到创建两次的数组问题。）
正如所承诺的，这是效率问题的解决方案。请注意，我担心的是内存消耗。
def main():
with open('/tmp/input.txt') as f:
max_row_len = max(len(line.split()) for line in f)
with open('/tmp/input.txt') as f:
str_len_max = len(max(chain.from_iterable(line.split() for line in f), key=len))
def padded_lines():
with open('/tmp/input.txt') as f:
for uneven_line in f:
line = uneven_line.split()
line += ['0']*(max_row_len - len(line))
yield line
fmt = '|S%d' % str_len_max
array = np.fromiter(chain.from_iterable(padded_lines()), np.dtype(fmt))
这段代码可以做得更好，但我会留给你。
内存消耗，使用memory_profiler 测量随机生成的输入文件，该文件有 1000000 行，行长均匀分布在 1 到 20 之间：
Line # Mem usage Increment Line Contents
================================================
5 23.727 MiB 0.000 MiB @profile
6 def main():
7
8 23.727 MiB 0.000 MiB with open('/tmp/input.txt') as f:
9 23.727 MiB 0.000 MiB max_row_len = max(len(line.split()) for line in f)
10
11 23.727 MiB 0.000 MiB with open('/tmp/input.txt') as f:
12 23.727 MiB 0.000 MiB str_len_max = len(max(chain.from_iterable(line.split() for line in f), key=len))
13
14 23.727 MiB 0.000 MiB def padded_lines():
15 with open('/tmp/input.txt') as f:
16 62.000 MiB 38.273 MiB for uneven_line in f:
17 line = uneven_line.split()
18 line += ['0']*(max_row_len - len(line))
19 yield line
20
21 23.727 MiB -38.273 MiB fmt = '|S%d' % str_len_max
22 array = np.fromiter(chain.from_iterable(padded_lines()), np.dtype(fmt))
23 62.004 MiB 38.277 MiB array.shape = (-1, max_row_len)
使用代码 eumiro 的答案，并使用相同的输入文件：
Line # Mem usage Increment Line Contents
================================================
5 23.719 MiB 0.000 MiB @profile
6 def main():
7 23.719 MiB 0.000 MiB with open('/tmp/input.txt') as f:
8 638.207 MiB 614.488 MiB arr = np.array(list(it.izip_longest(*[line.split() for line in f], fillvalue='0'))).T
比较内存消耗增量：我更新后的代码消耗的内存比 eumiro 少 16 倍（614.488/38.273 约为 16）。
至于速度：我更新后的代码为此输入运行了 3.321 秒，eumiro 的代码运行了 5.687 秒，也就是说，我的代码在我的机器上快 1.7 倍。 （您的里程可能会有所不同。）
如果效率是您最关心的问题（正如您的评论所建议的那样“嗨 eumiro，我想这更有效。” 然后更改接受的答案），那么恐怕您接受的越少有效的解决方案。
别误会，eumiro 的代码真的很简洁，我确实从中学到了很多。如果效率不是我最关心的问题，我也会选择 eumiro 的解决方案。 p>