cif文件结构

一、cif文件结构

1、CIF，即CrystallographicInformationFile，是晶体学信息文件的缩写。每一种晶体的数据通常包含晶胞参数、原子坐标以及相关的文献资料等内容，这些数据能够以CIF格式的文件形式保存。CIF文件因其广泛的适用性，成为了晶体结构数据储存和交流中常用的文件格式之一。

2、提供CIF文件查找与下载服务的数据库众多，其中包括剑桥晶体学数据中心（CambridgeCrystallographicDataCentre,CCDC）和晶体学公开数据库（CrystallographyOpenDatabase,COD）。这些数据库不仅为研究人员提供了获取已发表晶体结构CIF文件的便利，还促进了晶体学领域的数据共享。

3、此外，像《ActaCrystallographica》这样的IUCr（国际晶体学联盟）旗下的期刊也提供了已发表晶体结构的CIF文件下载。这些期刊的CIF文件不仅满足了学术研究的需求，也为晶体学数据的标准化和规范化做出了贡献。

4、这些CIF文件对于研究者而言至关重要，因为它们能够帮助研究人员深入理解晶体结构，从而推动材料科学、药物设计等多个领域的进步。通过这些文件，研究人员可以轻松地获取和使用高质量的晶体结构数据，加速科研进程。

5、随着科技的发展，CIF文件的重要性日益凸显，它不仅促进了晶体学领域的国际合作，还推动了跨学科研究的深入发展。未来，CIF文件将继续在晶体学和相关科学领域发挥重要作用。

二、【收藏】21个免费的谱图数据库

以下是21个免费谱图数据库的详细信息：

该数据库由上海有机所创建，包含多个数据库，如化合物结构、核磁谱图、质谱谱图、红外谱图、物理性质、农药、中药、植物化学、药品、化学品安全技术说明书、环境化学等，注册后可免费使用。

2.中科院长春应用化学研究所应用化学数据库地址

该数据库包含稀土萃取、物理化学性质、碳-13 NMR、化合物活性等数据，由中科院长春应用化学研究所建设。

整合中国科学院所有数据库资源，覆盖有机所、过程所、长春应化所等。

4.化合物图谱数据库查询系统地址

该系统提供化合物的红外、紫外、质谱及核磁等各种谱图及分子结构查询，包含大约10万张谱图，已有320个化合物的标准红外图。

5. Spectral Database for Organic Compounds(SDBS)地址

日本国家先进工业科学技术研究所创建的综合有机化合物光谱数据库，包含7种不同类型的光谱图，免费开放，截止2019年收录谱图数目。

提供化合物信息，如命名、结构、基本性质、毒性、谱学、鉴定方法、专利、生物活性、化学反应、医药农药应用、天然产物、相关文献和市场供应等。

7. Spectra Online,Galactic(红外谱图)地址

注册FTIR search. com账号，可访问71,000FTIR和16,000个Raman谱图，由Thermo Fisher Scientific研究所编撰。

8. NIST的Chemistry Web Book地址

NIST基于Web的物性数据库，可通过分子式、化学名、CAS登录号等检索数据，包含气相热化学数据、浓缩相热化学数据、相变数据、反应热化学数据等。

9. NIST/EPA/NIH Mass Spectral Library地址

包含147,198个化合物的波谱数据，是世界广泛使用的质谱参考数据库。

10. Organic compounds Database<a href="" title="地址" target="_blank">地址

由哈佛大学弗吉尼亚研究所编撰，包含2483个化合物，可搜索红外、物理性质、核磁、质谱、紫外等。

11.中国国家科学数字图书馆化学学科信息门户地址

提供波谱网站信息，包括国内和国外免费及部分免费的网站。

12.北京微量化学研究所分析中心<a href="" title="地址" target="_blank">地址

拥有13万3仟多张Sadtler红外光谱数据库，包括化合物标准红外光谱、农业化学、粘合剂等类别。

用于化合物结构和反应式的绘制，具备预测结合物的C/H核磁谱图的功能。

能够预测氢谱、碳谱、HSQC和杂核谱，预测准确性高，可模拟峰形。

15. NMR谱图数据库及NMR谱图预测<a href="" title="地址" target="_blank">地址

基于Spinus的NMR预测器，可以从化学结构预测光谱。

16. BioMagResBank(BMRB)<a href="" title="地址" target="_blank">地址

存储肽、蛋白质、核酸等NMR数据的数据库，与蛋白质数据库和核酸数据库合作。

17.粉末粒度模式数据库PowBase<a href="" title="地址" target="_blank">地址

包含恒定波长粉末图案的最小数据库，支持CIF文件或.dat文件查看。

19.美国标准与技术研究院NIST原子光谱数据库(ASD)<a href="" title="地址" target="_blank">地址

包含辐射数据原子和原子离子的跃迁和能级，涉及99个元素。

20.剑桥晶体数据中心(CCDC)<a href="" title="地址" target="_blank">地址

管理包含C-H键的小分子晶体结构数据的CSD数据库，处理的分子原子总数不超过500，包含无机物和大分子晶体数据库。

收录1912年至今的中国文献，包括学术期刊、学位论文、重要会议论文、年鉴、专著等。

三、wto数据库如何查数据

联合国商品贸易统计数据库（缩写UN Comtrade）由联合国统计署创建，是目前全球最大、最权威的国际商品贸易数据型资源库，每年超过200个国家和地区向联合国统计署提供其官方年度商品贸易数据，涵盖全球99%的商品交易，真实反映国际商品流动趋势。这是我们研究全球贸易活动最基础、最权威的数据库。下载页面如下：

但是每次都要手动操作一遍，就比较麻烦。不过UN Comtrade提供了可以更方便获得数据的接口，我们来尝试一下。接口的实现原理，大概相当于：我们把要查询的数据，编成一条信息，发给UN Comtrade，然后UN Comtrade返回一个包含数据的文件，我们再解码成我们想要的格式。

我们先去UN Comtrade的接口网页，来看一看接口格式。

上图就是UN Comtrade的接口中，所包含的参数及格式。具体为：

r：reporting area报告数据的国家，默认值0

px：classification商品代码体系，商品进出口的默认值是HS（即Harmonized System），也可以选ST（即Standard International Trade Classification），服务进出口的默认值是EB02

ps：time period时间区间，格式为YYYYYYYYMMnowrecent等几种格式，取决于周期是月还是年。now是获得最近1期数据（默认值），recent是获得最近5期数据

p：partner area发生贸易往来的经济体，默认值all

rg：trade regime/ trade flow贸易的方向，1代表进口，2代表出口，默认值all

cc：classification code商品分类代码，TOTAL代表全部，AG2代表两位代码（默认值）等

max：maximum records returned一次性返回的最大数据条数，默认值是500，普通访客最高是10万，认证用户最高是25万

type：trade data type贸易类型，C是商品（默认值），S是服务

freq：data set frequency数据频率，A是年（默认值），M是月

head：heading style数据抬头格式，H适合人阅读（默认值），M适合机器阅读

最近铁矿石价格高涨，引发市场关注，而中国铁矿石的主要进口来源地是澳大利亚，我们就来看看，过去5年中国自澳大利亚进口铁矿石的数据。

我们把相关参数录入后，点击左下角的Try it out!就会返回给我们一个地址，这个地址就是向UN Comtrade发送数据请求的信息。同样，我们可以基于这条信息的格式，来设计我们的Python接口函数。

我们把这条消息输入浏览器的地址栏，就可以看到返回的数据如下，里面的TradeValue就是我们想要的数据了：

UN Comtrade的接口以json格式交换数据，我们来看一看返回的数据格式。我们要用到Python的requests库。

import requests test= requests.get("", params=dict(r="156",px="HS",ps="2015,2016,2017,2018,2019",p="36",rg='1',cc='2601',type='C',freq="A")) test.json()

我们来看一下返回内容，json有点类似于双重字典，从下文可以看到，返回结果主要包括两大类，第一大类是validation，主要是过程信息，第二大类是dataset，主要是我们需要的数据。

{'validation':{'status':{'name':'Ok','value': 0,'category': 0,'description':'','helpUrl':'For more reference visit ;},'message': None,'count':{'value': 5,'started':'2020-12-15T02:52:46.3395337+01:00','finished':'2020-12-15T02:52:47.0901557+01:00','durationSeconds': 0.750622},'datasetTimer':{'started':'2020-12-15T02:52:46.3395337+01:00','finished':'2020-12-15T02:52:47.8896543+01:00','durationSeconds': 1.5501205999999998}},'dataset': [{'pfCode':'H5','yr': 2017,'period': 2017,'periodDesc':'2017','aggrLevel': 4,'IsLeaf': 0,'rgCode': 1,'rgDesc':'Import','rtCode': 156,'rtTitle':'China','rt3ISO':'CHN','ptCode': 36,'ptTitle':'Australia','pt3ISO':'AUS','ptCode2': None,'ptTitle2':'','pt3ISO2':'','cstCode':'','cstDesc':'','motCode':'','motDesc':'','cmdCode':'2601','cmdDescE':'Iron ores and concentrates; including roasted iron pyrites','qtCode': 8,'qtDesc':'Weight in kilograms','qtAltCode': None,'qtAltDesc':'','TradeQuantity': 668420584292,'AltQuantity': None,'NetWeight': 668420584292,'GrossWeight': None,'TradeValue': 46500341920,'CIFValue': None,'FOBValue': None,'estCode': 0},

我们选择我们关心的数据，用关键字提取出来，然后转换成DataFrame格式，就可以方便的查看数据了：

import pandas as pd import cufflinks as cf pd.DataFrame(test.json()['dataset'])[['yr','TradeValue']].iplot(x='yr',y='TradeValue',kind='bar',title='中国过去5年自澳大利亚进口铁矿石金额')

我们把上文中的读取和解析数据的过程，简单封装成一个函数，以方便后续调用，比如我们想查看中国历年自澳大利亚进口铁矿石的金额，可以用如下命令：

import requests import pandas as pd import cufflinks as cf def comtrade_data(**params): r= requests.get("", params=params) return pd.DataFrame(r.json()['dataset']) Iron_ores= comtrade_data(r="156",px="HS",ps="ALL",p="36",rg='1',cc='2601',type='C',freq="A") Iron_ores[['yr','TradeValue']].iplot(x='yr',y='TradeValue',kind='bar',title='中国自澳大利亚进口铁矿石金额')

我们想看看中国的大豆自各国进口的情况，用

soybean= comtrade_data(r="156",px="HS",ps="2019",p="all",rg='1',cc='1201',type='C',freq="A") soybean= soybean.sort_values(by='TradeValue',ascending=False) soybean.iloc[1:6].iplot(x='ptTitle',y='TradeValue',kind='bar',title='2019年中国大豆进口额')

从上图可以看到，2019年中国自巴西的大豆进口，明显高于美国，那么这种情况，是否是受到中美贸易摩擦的影响呢？我们用如下命令，就可以很清晰的看到，2018年之前，中国自美国和巴西进口大豆的金额比较接近，但是2018年之后，中国自美进口大豆锐减，并从巴西替代，这也是中美贸易摩擦对美国影响的一个案例。

soybean_import= comtrade_data(r="156",px="HS",ps="all",p="76,842",rg='1',cc='1201',type='C',freq="A") soybean_import_usa= soybean_import[soybean_import['ptTitle']=='USA'].set_index('yr')[['TradeValue']] soybean_import_brazil= soybean_import[soybean_import['ptTitle']=='Brazil'].set_index('yr')[['TradeValue']] soybean_import_all= soybean_import_usa.join(soybean_import_brazil,lsuffix='_USA',rsuffix='_Brazil') soybean_import_all.iplot(kind='bar',title='中国自美国和巴西进口大豆金额',legend={'orientation':'h','x':0.1,'y':-0.1})

1、如果是访客用户的话，ps、r、p三个参数最多只能填5个代码，最多只有一个参数可以使用all，cc最多可以填20个代码，可以使用all

2、查询国家的时候，只能录入国家编号，查询国家对应编号的地址是

3、查询对手方国家的时候，只能录入国家编号，查询对手方国家对应编号的地址是

4、查询相关商品对应的HS编码，地址是