refactor(water_index): 用 waterindex.csv 驱动公式计算，移除 45 个硬编码方法

src/utils/band_math.py

@@ -134,81 +134,103 @@ class BandMathCalculator:
                 print(f"第 {i} 行计算失败，使用NaN填充")
         return results
 
+    def _parse_coeff(self, coeff_str: str) -> np.ndarray:
+        """
+        将 Coefficient 字符串解析为 numpy 多项式系数数组。
+
+        - "1.0"         → [1.0]
+        - "a,b,c"       → [a, b, c]  （多项式，从高次到低次，供 np.polyval 直接使用）
+        - "1.0,2.0"     → [1.0, 2.0] （线性 y = a*x + b）
+        """
+        s = str(coeff_str).strip() if not pd.isna(coeff_str) else ""
+        if s in ("", "nan", "None"):
+            return np.array([1.0])
+        parts = [float(x.strip()) for x in s.split(",")]
+        return np.array(parts)
+
     def process_formulas_from_csv(self, formula_csv_file, formula_names=None, output_file=None):
         """
-        从公式CSV文件中批量计算并添加到数据文件中
-        
+        从公式CSV文件中批量计算并添加到数据文件中。
+
+        支持两种 CSV 格式：
+        - 新版（6列）：Formula_Name, Category, Formula_Type, Formula, Coefficient, Reference
+        - 旧版（≥3列）：第一列=公式名，第三列=表达式（兼容处理）
+
+        Formula_Type 为 'concentration' 时，计算比值后额外通过 np.polyval 应用 Coefficient。
+
         参数:
-        formula_csv_file: 公式CSV文件路径，第一列为公式名称，第三列为具体公式
+        formula_csv_file: 公式CSV文件路径
         formula_names: 要计算的公式名称列表，如果为None则计算所有公式
         output_file: 输出文件路径，如果为None则自动生成
-        
+
         返回:
         包含计算结果的新DataFrame
         """
-        # 读取公式CSV文件
         try:
             formulas_df = pd.read_csv(formula_csv_file)
             print(f"读取到 {len(formulas_df)} 个公式")
-            
-            # 检查CSV格式，假设第一列为公式名称，第三列为具体公式
-            if len(formulas_df.columns) < 3:
-                raise ValueError("公式CSV文件需要至少3列")
-            
-            formula_name_col = formulas_df.columns[0]  # 第一列：公式名称
-            formula_expr_col = formulas_df.columns[2]  # 第三列：具体公式
-            
-            # 创建结果DataFrame的副本
+
+            has_new_format = set(["Formula_Name", "Formula_Type", "Formula", "Coefficient"]).issubset(
+                set(formulas_df.columns)
+            )
+
+            if has_new_format:
+                name_col = "Formula_Name"
+                type_col = "Formula_Type"
+                expr_col = "Formula"
+                coeff_col = "Coefficient"
+            else:
+                name_col = formulas_df.columns[0]
+                type_col = None
+                expr_col = formulas_df.columns[2]
+                coeff_col = None
+
             result_df = self.df.copy()
-            
-            # 如果指定了公式名称，则只计算这些公式
+
             if formula_names is not None:
                 if isinstance(formula_names, str):
-                    formula_names = [formula_names]  # 转换为列表
-                
-                # 筛选出指定的公式
-                selected_formulas = formulas_df[formulas_df[formula_name_col].isin(formula_names)]
-                print(f"找到 {len(selected_formulas)} 个指定的公式")
-                
-                if len(selected_formulas) == 0:
-                    print(f"警告: 未找到指定的公式: {formula_names}")
+                    formula_names = [formula_names]
+                selected = formulas_df[formulas_df[name_col].isin(formula_names)]
+                print(f"找到 {len(selected)} 个指定公式")
+                if len(selected) == 0:
+                    print(f"警告: 未找到指定公式: {formula_names}")
                     return result_df
-                
-                formulas_to_process = selected_formulas
+                formulas_to_process = selected
             else:
-                # 计算所有公式
                 formulas_to_process = formulas_df
-            
-            # 为每个公式计算所有行
+
             for _, row in formulas_to_process.iterrows():
-                formula_name = row[formula_name_col]
-                formula_expr = row[formula_expr_col]
-                
+                formula_name = row[name_col]
+                formula_expr = row[expr_col]
+
                 if pd.isna(formula_name) or pd.isna(formula_expr):
-                    print(f"跳过空公式: {row}")
+                    print(f"跳过空公式: {row.to_dict()}")
                     continue
-                    
-                print(f"\n计算公式: {formula_name} = {formula_expr}")
-                
-                # 计算所有行的结果
+
+                ftype = str(row[type_col]).strip().lower() if type_col and not pd.isna(row.get(type_col)) else "ratio"
+                coeff_str = str(row[coeff_col]).strip() if coeff_col and not pd.isna(row.get(coeff_col)) else "1.0"
+
+                print(f"\n计算公式: {formula_name} = {formula_expr}  [type={ftype}, coeff={coeff_str}]")
+
                 results = self.calculate_all_rows(formula_expr)
-                
-                # 将结果添加到DataFrame
+
+                if ftype == "concentration":
+                    coeff = self._parse_coeff(coeff_str)
+                    results = np.polyval(coeff, np.array(results))
+
                 result_df[formula_name] = results
-                print(f"公式 '{formula_name}' 计算完成，添加到数据中")
-            
-            # 保存结果
+                print(f"公式 '{formula_name}' 计算完成")
+
             if output_file is None:
-                # 自动生成输出文件名
                 import os
                 base_name = os.path.splitext(os.path.basename(formula_csv_file))[0]
                 output_file = f"band_math_results_{base_name}.csv"
-            
+
             result_df.to_csv(output_file, index=False)
             print(f"结果已保存到: {output_file}")
-            
+
             return result_df
-            
+
         except Exception as e:
             print(f"处理公式CSV文件时出错: {e}")
             import traceback