gsj+LiYCl data

MSD/main.py

@@ -9,10 +9,11 @@ if __name__ == '__main__':
     # 调用新函数
     # 它会自动从 log.lammps 读取温度和体积
     results = calculate_conductivity_from_msd(
-        msd_file_path='data/msd_li.dat',
-        log_file_path='data/log.lammps',
+        msd_file_path='data/700K/msd_li.dat',
+        log_file_path='data/700K/log.lammps',
         ion_name='Li⁺',
         charge=1,
         num_ions=num_li_ions,
-        fit_fraction=0.5  # 可以根据图像调整此值
+        fit_start_fraction=0.0,
+        fit_end_fraction=1.0
     )

MSD/utils/MSD.py

@@ -63,7 +63,8 @@ def calculate_conductivity_from_msd(
         ion_name,
         charge,
         num_ions,
-        fit_fraction=0.5
+        fit_start_fraction=0.5,
+        fit_end_fraction=0.5
 ):
     """
     从MSD数据计算电导率 (v2)。
@@ -102,9 +103,10 @@ def calculate_conductivity_from_msd(
     time_ps = timesteps * timestep_ps
 
     # --- 3. 线性拟合计算扩散系数 ---
-    fit_start_index = int(len(time_ps) * (1 - fit_fraction))
-    fit_time_ps = time_ps[fit_start_index:]
-    fit_msd_values = msd_values[fit_start_index:]
+    fit_start_index = int(len(time_ps) * fit_start_fraction)
+    fit_end_index = int(len(time_ps) * fit_end_fraction)
+    fit_time_ps = time_ps[fit_start_index:fit_end_index]
+    fit_msd_values = msd_values[fit_start_index:fit_end_index]
 
     if len(fit_time_ps) < 2:
         print("错误: 用于拟合的数据点不足 (少于2个)，无法进行线性回归。")

MSD/utils/con2.py

@@ -0,0 +1,289 @@
+import os
+import re
+import numpy as np
+import matplotlib.pyplot as plt
+from scipy import stats
+
+# 物理常数（SI单位）
+kB = 1.380649e-23  # 玻尔兹曼常数 (J/K)
+q = 1.602176634e-19  # 元电荷 (C，Li+的电荷)
+ps_to_s = 1e-12  # 皮秒转秒
+angstrom2_to_m2 = 1e-20  # 埃²转米²
+angstrom3_to_m3 = 1e-30  # 埃³转米³
+
+
+def extract_temperature(folder_name):
+    """从文件夹名（如320k）提取温度（K）"""
+    match = re.search(r'(\d+)K', folder_name)
+    if match:
+        return int(match.group(1))
+    return None
+
+
+def read_msd(msd_path):
+    """读取msd_li.dat，返回时间（ps）和总MSD（Ų）"""
+    try:
+        data = np.loadtxt(msd_path, comments='#')
+    except Exception as e:
+        raise ValueError(f"读取MSD文件失败：{e}")
+    
+    if data.size == 0:
+        raise ValueError("MSD文件内容为空")
+    
+    # 时间步转实际时间（ps）：TimeStep × 0.001
+    time = data[:, 0] * 0.001  # 第一列是TimeStep，乘以0.001转为ps
+    msd_total = data[:, -1]    # 最后一列是总MSD
+    
+    # 打印时间范围（关键调试信息）
+    print(f"  MSD时间范围：{time.min():.1f} ~ {time.max():.1f} ps")
+    return time, msd_total
+
+
+def calculate_diffusion(time, msd, t_start, t_end):
+    """根据MSD计算扩散系数D（单位：m²/s）"""
+    # 筛选时间范围内的数据
+    mask = (time >= t_start) & (time <= t_end)
+    t_filtered = time[mask] * ps_to_s  # 转为秒
+    msd_filtered = msd[mask] * angstrom2_to_m2  # 转为m²
+    
+    # 检查筛选后的数据是否为空
+    if len(t_filtered) < 2:
+        raise ValueError(f"筛选后的数据点不足（仅{len(t_filtered)}个），请调整t_start/t_end")
+    
+    # 线性拟合：MSD vs 时间，斜率 = 6D
+    slope, _, r_value, _, _ = stats.linregress(t_filtered, msd_filtered)
+    D = slope / 6
+    
+    # 打印拟合信息（调试用）
+    print(f"  MSD拟合：斜率 = {slope:.6e}，R² = {r_value**2:.4f}")
+    return D
+
+
+def parse_lammps_data(data_path):
+    """解析LAMMPS data文件，提取盒子体积和Li+数量（Li的原子类型为1）"""
+    with open(data_path, 'r') as f:
+        lines = f.readlines()
+    
+    # 提取原子总数
+    atom_count_line = next((line for line in lines if 'atoms' in line), None)
+    if not atom_count_line:
+        raise ValueError("无法在data文件中找到原子总数")
+    total_atoms = int(atom_count_line.split()[0])
+    
+    # 提取盒子尺寸
+    x_line = next((line for line in lines if 'xlo xhi' in line), None)
+    y_line = next((line for line in lines if 'ylo yhi' in line), None)
+    z_line = next((line for line in lines if 'zlo zhi' in line), None)
+    
+    if not (x_line and y_line and z_line):
+        raise ValueError("无法在data文件中找到盒子尺寸")
+    
+    xlo, xhi = map(float, x_line.split()[:2])
+    ylo, yhi = map(float, y_line.split()[:2])
+    zlo, zhi = map(float, z_line.split()[:2])
+    
+    # 计算盒子体积（ų）
+    volume_angstrom3 = (xhi - xlo) * (yhi - ylo) * (zhi - zlo)
+    
+    # 手动指定Li的原子类型为1
+    li_type = 1
+    
+    # 统计Li原子数量
+    atoms_section_start = next((i for i, line in enumerate(lines) if 'Atoms' in line), None)
+    if atoms_section_start is None:
+        raise ValueError("无法在data文件中找到Atoms部分")
+    
+    li_count = 0
+    for i in range(atoms_section_start + 1, atoms_section_start + total_atoms + 1):
+        if i >= len(lines):
+            break
+        parts = lines[i].split()
+        if len(parts) >= 2 and int(parts[1]) == li_type:
+            li_count += 1
+    
+    if li_count == 0:
+        raise ValueError(f"未找到原子类型为{li_type}的Li原子")
+    
+    return li_count, volume_angstrom3
+
+
+def calculate_conductivity(D, T, n):
+    """根据Nernst-Einstein方程计算离子电导σ（单位：S/m）"""
+    sigma = (n * q**2 * D) / (kB * T)
+    return sigma
+
+def arrhenius_plot(temperatures, D_list, sigma_list):
+    """绘制阿伦尼乌斯图，拟合400K前后两条直线，基于320-400K数据外推300K电导"""
+    plt.rcParams["axes.unicode_minus"] = False  # 确保负号正常显示
+    temps = np.array(temperatures, dtype=float)
+    sigmas = np.array(sigma_list, dtype=float)
+    inv_T = 1000 / temps  # 1000/T (1/K)
+
+    # 数据分组：320-400K（用于拟合和外推）和>400K（仅拟合）
+    mask_below = (temps >= 320) & (temps <= 400)  # 320-400K区间
+    mask_above = temps > 400                     # 400K以上区间
+
+    # 检查低温度区间数据量
+    if np.sum(mask_below) < 2:
+        raise ValueError(f"320-400K区间数据点不足（仅{np.sum(mask_below)}个），无法拟合直线")
+
+    # 1. 拟合320-400K区间（用于外推300K）
+    inv_T_below = inv_T[mask_below]
+    ln_sigma_below = np.log(sigmas[mask_below])
+    slope_below, intercept_below, r_below, _, _ = stats.linregress(inv_T_below, ln_sigma_below)
+    Ea_below = -slope_below * kB * 1000  # 活化能（J）
+    Ea_below_eV = Ea_below / q           # 转换为eV
+
+    # 2. 拟合400K以上区间（若有足够数据）
+    slope_above = None
+    intercept_above = None
+    Ea_above_eV = None
+    r_above = None
+    if np.sum(mask_above) >= 2:
+        inv_T_above = inv_T[mask_above]
+        ln_sigma_above = np.log(sigmas[mask_above])
+        slope_above, intercept_above, r_above, _, _ = stats.linregress(inv_T_above, ln_sigma_above)
+        Ea_above = -slope_above * kB * 1000
+        Ea_above_eV = Ea_above / q
+
+    # 3. 外推300K的离子电导（基于320-400K拟合线）
+    T_target = 300  # 目标温度300K
+    inv_T_target = 1000 / T_target  # 1000/300 (1/K)
+    ln_sigma_target = slope_below * inv_T_target + intercept_below  # 用低温度区间拟合线外推
+    sigma_target = np.exp(ln_sigma_target)  # 转换为电导值
+
+    # 4. 绘图
+    fig, ax1 = plt.subplots(figsize=(10, 6))
+
+    # 绘制数据点
+    ax1.scatter(inv_T_below, ln_sigma_below, label='320-400K Data', color='blue', s=60, zorder=3)
+    if np.sum(mask_above) >= 1:
+        ax1.scatter(inv_T[mask_above], np.log(sigmas[mask_above]), label='>400K Data', color='red', s=60, zorder=3)
+
+    # 绘制拟合线（低温度区间）
+    x_fit_below = np.linspace(min(inv_T_below), max(inv_T_below), 100)
+    y_fit_below = slope_below * x_fit_below + intercept_below
+    ax1.plot(x_fit_below, y_fit_below, '--', color='blue', 
+             label=f'320-400K Fit (Eₐ={Ea_below_eV:.3f} eV, R²={r_below**2:.3f})', zorder=2)
+
+    # 绘制拟合线（高温度区间，若有）
+    if slope_above is not None:
+        x_fit_above = np.linspace(min(inv_T[mask_above]), max(inv_T[mask_above]), 100)
+        y_fit_above = slope_above * x_fit_above + intercept_above
+        ax1.plot(x_fit_above, y_fit_above, '--', color='red', 
+                 label=f'>400K Fit (Eₐ={Ea_above_eV:.3f} eV, R²={r_above**2:.3f})', zorder=2)
+
+    # 标记300K外推点
+    ax1.scatter([inv_T_target], [ln_sigma_target], color='green', marker='*', s=150, 
+                label=f'300K Extrapolated', zorder=4)
+
+    # 坐标轴设置
+    ax1.set_xlabel('1000/T (1/K)')
+    ax1.set_ylabel('ln(σ) (S/m)')
+    ax1.set_title('Arrhenius Plot with Dual Fitting')
+    ax1.legend()
+    ax1.grid(alpha=0.3)
+
+    # 顶部温度坐标轴
+    ax2 = ax1.twiny()
+    x1_min, x1_max = ax1.get_xlim()
+    ax2.set_xlim(x1_min, x1_max)
+    ax2.set_xticks(1000 / np.unique(temps))  # 显示现有温度刻度
+    ax2.set_xticklabels([f"{int(t)}" for t in np.unique(temps)])
+    ax2.set_xlabel('Temperature (K)')
+
+    plt.tight_layout()
+    plt.savefig('arrhenius_dual_fit.png', dpi=300)
+    plt.show()
+
+    # 输出结果
+    print("\n===== 拟合结果 =====")
+    print(f"320-400K区间：")
+    print(f"  活化能 Eₐ = {Ea_below_eV:.3f} eV (R² = {r_below**2:.3f})")
+    if Ea_above_eV is not None:
+        print(f">400K区间：")
+        print(f"  活化能 Eₐ = {Ea_above_eV:.3f} eV (R² = {r_above**2:.3f})")
+    
+    print(f"\n===== 300K外推结果（基于320-400K拟合） =====")
+    print(f"  离子电导率 σ = {sigma_target:.6e} S/m")
+    print(f"  转换单位：σ = {sigma_target * 10:.6e} mS/cm")  # 1 S/m = 0.1 mS/cm，乘以10转换
+
+
+if __name__ == "__main__":
+    # ------------ 必须根据实际数据调整的参数 ------------
+    base_dir = "../data"  # 主文件夹路径
+    t_start = 100  # MSD拟合起始时间（ps）
+    t_end = 2000    # MSD拟合结束时间（ps）
+    # ------------------------------------------------
+
+    temperatures = []
+    D_list = []
+    sigma_list = []
+    temp_folder_pattern = re.compile(r'^\d+K$')
+
+    for folder in os.listdir(base_dir):
+        folder_path = os.path.join(base_dir, folder)
+        if not os.path.isdir(folder_path) or not temp_folder_pattern.match(folder):
+            continue  # 跳过非温度文件夹
+
+        T = extract_temperature(folder)
+        print(f"\n处理文件夹: {folder}（温度 {T} K）")
+        if T is None:
+            print("  跳过：无法提取温度")
+            continue
+
+        # 检查文件是否存在
+        msd_path = os.path.join(folder_path, "msd_li.dat")
+        data_path = os.path.join(folder_path, "LYC.data")
+        if not os.path.exists(msd_path):
+            print(f"  跳过：缺少{msd_path}")
+            continue
+        if not os.path.exists(data_path):
+            print(f"  跳过：缺少{data_path}")
+            continue
+
+        # 解析Li数量和体积
+        try:
+            li_count, volume_angstrom3 = parse_lammps_data(data_path)
+            volume_m3 = volume_angstrom3 * angstrom3_to_m3
+            n = li_count / volume_m3
+            print(f"  Li+数量: {li_count}，盒子体积: {volume_angstrom3:.2f} ų")
+            print(f"  载流子浓度: {n:.6e} m⁻³")
+        except Exception as e:
+            print(f"  跳过：解析data文件失败: {e}")
+            continue
+
+        # 读取MSD数据
+        try:
+            time, msd = read_msd(msd_path)
+        except Exception as e:
+            print(f"  跳过：读取MSD失败: {e}")
+            continue
+
+        # 计算扩散系数
+        try:
+            D = calculate_diffusion(time, msd, t_start, t_end)
+            print(f"  扩散系数 D = {D:.6e} m²/s")
+        except Exception as e:
+            print(f"  跳过：计算扩散系数失败: {e}")
+            continue
+
+        # 计算离子电导
+        try:
+            sigma = calculate_conductivity(D, T, n)
+            print(f"  离子电导 σ = {sigma:.6e} S/m")
+        except Exception as e:
+            print(f"  跳过：计算电导失败: {e}")
+            continue
+
+        # 保存结果
+        temperatures.append(T)
+        D_list.append(D)
+        sigma_list.append(sigma)
+
+    # 绘制阿伦尼乌斯图（双拟合线）
+    if len(temperatures) >= 2:
+        print("\n===== 计算完成，绘制双拟合阿伦尼乌斯图 =====")
+        arrhenius_plot(temperatures, D_list, sigma_list)
+    else:
+        print(f"\n===== 错误：有效数据点不足（仅{len(temperatures)}个），无法绘图 =====")

corner-sharing/utils/CS_analyse.py

@@ -0,0 +1,134 @@
+from pymatgen.core.structure import Structure
+from pymatgen.analysis.local_env import VoronoiNN
+import numpy as np
+
+def check_real(nearest):
+    real_nearest = []
+    for site in nearest:
+        if np.all((site.frac_coords >= 0) & (site.frac_coords <= 1)):
+             real_nearest.append(site)
+
+    return real_nearest
+
+def special_check_for_3(site, nearest):
+    real_nearest = []
+    distances = []
+    for site2 in nearest:
+        distance = np.linalg.norm(np.array(site.frac_coords) - np.array(site2.frac_coords))
+        distances.append(distance)
+
+    sorted_indices = np.argsort(distances)
+    for index in sorted_indices[:3]:
+        real_nearest.append(nearest[index])
+
+    return real_nearest
+
+
+def CS_catulate(struct, sp='Li', anion=['O'], tol=0, cutoff=3.0,notice=False,ID=None):
+    """
+    计算结构中目标元素与最近阴离子的共享关系。
+
+    参数:
+        struct (Structure): 输入结构。
+        sp (str): 目标元素符号，默认为 'Li'。
+        anion (list): 阴离子列表，默认为 ['O']。
+        tol (float): VoronoiNN 的容差，默认为 0。
+        cutoff (float): VoronoiNN 的截断距离，默认为 3.0。
+
+    返回:
+        list: 包含每个目标位点及其最近阴离子索引的列表。
+    """
+    # 初始化 VoronoiNN 对象
+    if sp=='Li':
+        tol = 0
+        cutoff = 3.0
+    voro_nn = VoronoiNN(tol=tol, cutoff=cutoff)
+    # 初始化字典，用于统计共享关系
+    shared_count = {"2": 0, "3": 0,"4":0,"5":0,"6":0}
+    # 存储结果的列表
+    atom_dice = []
+
+    # 遍历结构中的每个位点
+    for index,site in enumerate(struct.sites):
+        # 跳过阴离子位点
+        if site.specie.symbol in anion:
+            continue
+        # 跳过Li原子
+        if site.specie.symbol == sp:
+            continue
+        # 获取 Voronoi 多面体信息
+        voro_info = voro_nn.get_voronoi_polyhedra(struct, index)
+
+        # 找到最近的阴离子位点
+        nearest_anions = [
+            nn_info["site"] for nn_info in voro_info.values()
+            if nn_info["site"].specie.symbol in anion
+        ]
+
+        # 如果没有找到最近的阴离子，跳过
+        if not nearest_anions:
+            print(f"No nearest anions found for {ID} site {index}.")
+            continue
+        if site.specie.symbol == 'B' or site.specie.symbol == 'N':
+            nearest_anions = special_check_for_3(site,nearest_anions)
+        nearest_anions = check_real(nearest_anions)
+        # 将结果添加到 atom_dice 列表中
+        atom_dice.append({
+            'index': index,
+            'nearest_index': [nn.index for nn in nearest_anions]
+        })
+
+
+
+
+
+        # 枚举 atom_dice 中的所有原子对
+    for i, atom_i in enumerate(atom_dice):
+        for j, atom_j in enumerate(atom_dice[i + 1:], start=i + 1):
+            # 获取两个原子的最近阴离子索引
+            nearest_i = set(atom_i['nearest_index'])
+            nearest_j = set(atom_j['nearest_index'])
+
+            # 比较最近阴离子的交集大小
+            shared_count_key = str(len(nearest_i & nearest_j))
+
+            # 更新字典中的计数
+            if shared_count_key in shared_count:
+                shared_count[shared_count_key] += 1
+                if notice:
+                    if shared_count_key=='2':
+                        print(f"{atom_j['index']}与{atom_i['index']}之间存在共线")
+                        print(f"共线的阴离子为{nearest_i & nearest_j}")
+                    if shared_count_key=='3':
+                        print(f"{atom_j['index']}与{atom_i['index']}之间存在共面")
+                        print(f"共面的阴离子为{nearest_i & nearest_j}")
+
+    # # 最后将字典中的值除以 2，因为每个共享关系被计算了两次
+    # for key in shared_count.keys():
+    #     shared_count[key] //= 2
+
+    return shared_count
+
+
+def CS_count(struct, shared_count, sp='Li'):
+    count = 0
+    for site in struct.sites:
+        if site.specie.symbol == sp:
+            count += 1  # 累加符合条件的原子数量
+
+    CS_count = 0
+    for i in range(2, 7):  # 遍历范围 [2, 3, 4, 5]
+        if str(i) in shared_count:  # 检查键是否存在
+            CS_count += shared_count[str(i)] * i  # 累加计算结果
+
+    if count > 0:  # 防止除以零
+        CS_count /= count  # 平均化结果
+    else:
+        CS_count = 0  # 如果 count 为 0，直接返回 0
+
+    return CS_count
+
+structure = Structure.from_file("../data/0921/wjy_001.cif")
+a = CS_catulate(structure,notice=True)
+b = CS_count(structure,a)
+print(f"{a}\n{b}")

corner-sharing/utils/analyze_env_st.py

@@ -47,28 +47,19 @@ class HiddenPrints:
 
 
 def non_elements(struct, sp='Li'):
-    '''
-    struct : structure object from Pymatgen
+    """
+    struct : 必须是一个有序结构
     sp : the mobile specie
-    returns the structure with all of the mobile specie (Li) removed
-    '''
-    num_li = struct.species.count(Element(sp))
-    species = list(set(struct.species))
-    try:
-        species.remove(Element("O"))
-    except ValueError:
-        print("没有O")
-    try:
-        species.remove(Element("S"))
-    except ValueError:
-        print("没有S")
-    try:
-        species.remove(Element("N"))
-    except ValueError:
-        print("没有N")
+    returns a new structure containing only the framework anions (O, S, N).
+    """
+    anions_to_keep = {"O", "S", "N"}
     stripped = struct.copy()
-    stripped.remove_species(species)
-    stripped = stripped.get_sorted_structure(reverse=True)
+    species_to_remove = [el.symbol for el in stripped.composition.elements
+                         if el.symbol not in anions_to_keep]
+
+    if species_to_remove:
+        stripped.remove_species(species_to_remove)
+
     return stripped
 
 
@@ -160,22 +151,43 @@ def site_env(coord, struct, sp="Li", envtype='both'):
 
 
 def extract_sites(struct, sp="Li", envtype='both'):
-    '''
+    """
     struct : structure object from Pymatgen
     envtype : 'tet', 'oct', or 'both'
     sp : target element to analyze environment
-
-    '''
+    """
     envlist = []
-    for i in range(len(struct.sites)):
-        if struct.sites[i].specie != Element(sp):
-            continue
-        site = struct.sites[i]
-        singleenv = site_env(site.frac_coords, struct, sp, envtype)
-        envlist.append({'frac_coords': site.frac_coords, 'type': singleenv['type'], 'csm': singleenv['csm'],
-                        'volume': singleenv['vol']})
-    return envlist
 
+    # --- 关键修改：直接遍历原始结构，即使它是无序的 ---
+    # 我们不再调用 get_sorted_structure()
+    # 我们只关心那些含有目标元素 sp 的位点
+
+    # 遍历每一个位点 (site)
+    for i, site in enumerate(struct):
+        # 检查当前位点的组分(site.species)中是否包含我们感兴趣的元素(sp)
+        # site.species.elements 返回该位点上的元素列表，例如 [Element Li, Element Fe]
+        # [el.symbol for el in site.species.elements] 将其转换为符号列表 ['Li', 'Fe']
+        site_elements = [el.symbol for el in site.species.elements]
+
+        if sp in site_elements:
+            # 如果找到了Li，我们就对这个位点进行环境分析
+            # 注意：我们将原始的、可能无序的 struct 传递给 site_env
+            # 因为 site_env 内部的函数 (如 LocalGeometryFinder) 知道如何处理它
+
+            # 为了让下游函数（特别是 non_elements）能够工作，
+            # 我们在这里创建一个一次性的、临时的有序结构副本给它
+            # 这可以避免我们之前遇到的所有 'ordered structures only' 错误
+            temp_ordered_struct = struct.get_sorted_structure()
+
+            singleenv = site_env(site.frac_coords, temp_ordered_struct, sp, envtype)
+
+            envlist.append({'frac_coords': site.frac_coords, 'type': singleenv['type'], 'csm': singleenv['csm'],
+                            'volume': singleenv['vol']})
+
+    if not envlist:
+        print(f"警告: 在结构中未找到元素 {sp} 的占位。")
+
+    return envlist
 
 def export_envs(envlist, sp='Li', envtype='both', fname=None):
     '''
@@ -193,6 +205,6 @@ def export_envs(envlist, sp='Li', envtype='both', fname=None):
             f.write("Site index " + str(index) + ": " + str(i) + '\n')
 
 
-struct = Structure.from_file("../data/31960.cif")
-site_info = extract_sites(struct, envtype="both")
-export_envs(site_info, sp="Li", envtype="both")
+# struct = Structure.from_file("../data/0921/wjy_475.cif")
+# site_info = extract_sites(struct, envtype="both")
+# export_envs(site_info, sp="Li", envtype="both")

data_get/data_get.py

@@ -0,0 +1,127 @@
+import pandas as pd
+import os
+import re
+
+
+def extract_cif_from_xlsx(
+        xlsx_path: str,
+        output_dir: str,
+        naming_mode: str = 'formula',
+        name_col: int = 0,
+        cif_col: int = 1,
+        prefix: str = 'wjy'
+):
+    """
+    从 XLSX 文件中提取 CIF 数据并保存为单独的 .cif 文件。
+
+    Args:
+        xlsx_path (str): 输入的 XLSX 文件的路径。
+        output_dir (str): 输出 .cif 文件的文件夹路径。
+        naming_mode (str, optional): CIF 文件的命名模式。
+                                     可选值为 'formula' (使用第一列的名字) 或
+                                     'auto' (使用前缀+自动递增编号)。
+                                     默认为 'formula'。
+        name_col (int, optional): 包含文件名的列的索引（从0开始）。默认为 0。
+        cif_col (int, optional): 包含 CIF 内容的列的索引（从0开始）。默认为 1。
+        prefix (str, optional): 在 'auto' 命名模式下使用的文件名前缀。默认为 'wjy'。
+
+    Raises:
+        FileNotFoundError: 如果指定的 xlsx_path 文件不存在。
+        ValueError: 如果指定的 naming_mode 无效。
+        Exception: 处理过程中发生的其他错误。
+    """
+    # --- 1. 参数校验和准备 ---
+    if not os.path.exists(xlsx_path):
+        raise FileNotFoundError(f"错误: 输入文件未找到 -> {xlsx_path}")
+
+    if naming_mode not in ['formula', 'auto']:
+        raise ValueError(f"错误: 'naming_mode' 参数必须是 'formula' 或 'auto'，但收到了 '{naming_mode}'")
+
+    # 创建输出目录（如果不存在）
+    os.makedirs(output_dir, exist_ok=True)
+    print(f"CIF 文件将保存到: {output_dir}")
+
+    try:
+        # --- 2. 读取 XLSX 文件 ---
+        # header=None 表示第一行不是标题，将其作为数据读取
+        df = pd.read_excel(xlsx_path, header=None)
+
+        # 跳过原始文件的表头行（'formula', 'cif'）
+        if str(df.iloc[0, name_col]).strip().lower() == 'formula' and str(df.iloc[0, cif_col]).strip().lower() == 'cif':
+            df = df.iloc[1:]
+            print("检测到并跳过了表头行。")
+
+        # --- 3. 遍历数据并生成文件 ---
+        success_count = 0
+        for index, row in df.iterrows():
+            # 获取文件名和 CIF 内容
+            formula_name = str(row[name_col])
+            cif_content = str(row[cif_col])
+
+            # 跳过内容为空的行
+            if pd.isna(row[name_col]) or pd.isna(row[cif_col]) or not cif_content.strip():
+                print(f"警告: 第 {index + 2} 行数据不完整，已跳过。")
+                continue
+
+            # --- 4. 根据命名模式确定文件名 ---
+            if naming_mode == 'formula':
+                # 清理文件名，替换掉不适合做文件名的特殊字符
+                # 例如：将 (PO4)3 替换为 _PO4_3，将 / 替换为 _
+                safe_filename = re.sub(r'[\\/*?:"<>|()]', '_', formula_name)
+                filename = f"{safe_filename}.cif"
+            else:  # naming_mode == 'auto'
+                # 使用 format 方法来确保编号格式统一，例如 001, 002
+                filename = f"{prefix}_{success_count + 1:03d}.cif"
+
+            # 构造完整的输出文件路径
+            output_path = os.path.join(output_dir, filename)
+
+            # --- 5. 写入 CIF 文件 ---
+            try:
+                with open(output_path, 'w', encoding='utf-8') as f:
+                    f.write(cif_content)
+                success_count += 1
+            except IOError as e:
+                print(f"错误: 无法写入文件 {output_path}。原因: {e}")
+
+        print(f"\n处理完成！成功提取并生成了 {success_count} 个 CIF 文件。")
+
+    except Exception as e:
+        print(f"处理 XLSX 文件时发生错误: {e}")
+
+
+# --- 函数使用示例 ---
+if __name__ == '__main__':
+    # 假设您的 XLSX 文件名为 'materials.xlsx'，且与此脚本在同一目录下
+    source_xlsx_file = 'input/cif_dataset.xlsx'
+
+    # 检查示例文件是否存在，如果不存在则创建一个
+    if not os.path.exists(source_xlsx_file):
+        print(f"未找到示例文件 '{source_xlsx_file}'，正在创建一个...")
+        example_data = {
+            'formula': ['Li3Al0.3Ti1.7(PO4)3', 'Li6.5La3Zr1.75W0.25O12', 'Invalid/Name*Test'],
+            'cif': ['# CIF Data for Li3Al0.3...\n_atom_site_type_symbol\n Li\n Al\n Ti\n P\n O',
+                    '# CIF Data for Li6.5La3...\n_symmetry_space_group_name_H-M \'I a -3 d\'',
+                    '# CIF Data for Invalid Name Test']
+        }
+        pd.DataFrame(example_data).to_excel(source_xlsx_file, index=False, header=True)
+        print("示例文件创建成功。")
+
+    # --- 示例 1: 使用第一列的 'formula' 命名 ---
+    # print("\n--- 示例 1: 使用 'formula' 命名模式 ---")
+    # output_folder_1 = 'cif_by_formula'
+    # extract_cif_from_xlsx(
+    #     xlsx_path=source_xlsx_file,
+    #     output_dir=output_folder_1,
+    #     naming_mode='formula'
+    # )
+
+    # --- 示例 2: 使用 'wjy+编号' 自动命名 ---
+    print("\n--- 示例 2: 使用 'auto' 命名模式 ---")
+    output_folder_2 = 'cif_by_auto'
+    extract_cif_from_xlsx(
+        xlsx_path=source_xlsx_file,
+        output_dir=output_folder_2,
+        naming_mode='auto',
+        prefix='wjy'
+    )