开萌笔记本

使用Pymatgen计算PhaseDiagram

Mon, 06 Apr 2026 10:59:05 GMT

概述#

PhaseDiagram是Pymatgen中一个非常重要的类，可以用来计算和绘制相图。通过PhaseDiagram，我们可以分析材料的稳定性、相变行为以及预测新的材料组合。本文将介绍如何使用Pymatgen计算PhaseDiagram，并提供一些常用的导入和基础代码示例。下面是一些使用PhaseDiagram时常用的导入和基础代码示例。

准备工作#

首先导入必要的库：

1
import re
2

3
import matplotlib.pyplot as plt
4
import numpy as np
5
import pandas as pd
6
from matplotlib.tri import Triangulation
7
from pymatgen.analysis.phase_diagram import PDPlotter, PhaseDiagram
8
from pymatgen.core.composition import Composition
9
from pymatgen.core.entries import ComputedEntry
10
from scipy.spatial import cKDTree
11
from pltsci import cm, set_ticks, half_plot_set,whole_plot_set #设定全局图像格式
12
from adjustText import adjust_text
13
whole_plot_set()

数据准备#

这里，我们使用pymatgen中的MPRester库来获取材料数据，并构建相图所需的条目列表。以下是一个示例代码，展示了如何获取Al-Cu-Sc系统的条目并构建相图：

1
from pymatgen.ext.matproj import MPRester
2
from pymatgen.ext.matproj import MPRester
3

4
chemical_systems = ['Al', 'Cu', 'Sc', 'Al-Cu', 'Al-Sc', 'Cu-Sc', 'Al-Cu-Sc']
5

6
with MPRester("example_api_key") as mpr: # 请将example_api_key替换为你自己的API key
7
    docs = mpr.summary.search(
8
        chemsys=chemical_systems,
9
        _fields=['material_id', 'formula_pretty', 'formation_energy_per_atom'],
10
    )
11

12
df_system = pd.DataFrame(docs).dropna(subset=['formation_energy_per_atom']).copy()
13
df_system = df_system[['material_id', 'formula_pretty', 'formation_energy_per_atom']].drop_duplicates()
14

15
df_system['material_id'] = df_system['material_id'].astype(str)
16
df_system['energy'] = df_system['formula_pretty'].map(
17
    lambda formula: Composition(formula).num_atoms
18
) * df_system['formation_energy_per_atom']
19

20
df_system = df_system.sort_values('formation_energy_per_atom').reset_index(drop=True)
21
df_system

收起展开

数据如下所示：

	material_id	formula_pretty	formation_energy_per_atom	energy
0	mp-813	ScAl2	-0.530799	-1.592396
1	mp-2121	ScAl3	-0.479127	-1.916509
2	mp-331	ScAl	-0.466178	-0.932356
3	mp-1219356	ScAlCu	-0.434098	-1.302293
4	mp-16497	ScAlCu2	-0.429006	-1.716025
...	...	...	...	...
56	mp-567308	Sc	0.205734	0.205734
57	mp-1239196	Al	0.302126	0.302126
58	mp-1209129	Sc4Al	0.504860	2.524301
59	mp-1008681	Sc	0.719454	0.719454
60	mp-1056079	Cu	1.982934	1.982934

61 rows × 4 columns

构建相图#

有了数据之后，我们就可以使用Pymatgen的PhaseDiagram类来构建相图了。以下是一个示例代码，展示了如何使用PhaseDiagram类来构建相图：

1
entries = [
2
    ComputedEntry(Composition(row.formula_pretty), row.energy, entry_id=row.material_id)
3
    for row in df_system.itertuples(index=False)
4
]
5

6
phase_diagram = PhaseDiagram(entries)
7
plotter = PDPlotter(phase_diagram)
8
fig = plotter.get_plot()
9
fig.show()

到这里，我们就成功构建了Al-Cu-Sc系统的相图，如下所示。

用于网页展示的话，这个图效果相当好，但是如果需要写入文章，那么这个效果就不太好了。因为这个图是一个交互式的图，写入文章后就失去了交互性了。此外，这种图是为了交互式展示而设计的，写入文章后可能会出现一些显示问题，例如图像模糊、标签重叠等。因此，我们需要提取绘图元数据，使用matplotlib重新绘制一张静态图来写入文章。

提取绘图元数据并使用matplotlib重新绘制相图#

Pymatgen的PDPlotter类有一个pd_plot_data属性，我们可以从中提取绘图元数据，例如相图中的点的坐标、颜色、标签等信息，然后使用matplotlib重新绘制一张静态图来写入文章。以下是一个示例代码，展示了如何提取绘图元数据并使用matplotlib重新绘制相图：

提取绘图元数据#

1
lines, stable_entries_plot, unstable_entries_plot = plotter.pd_plot_data
2

3
energy_above_hull = {entry.entry_id: phase_diagram.get_e_above_hull(entry) for entry in entries}
4

5
entries_plot = {}
6
for (x, y), entry in stable_entries_plot.items():
7
    entries_plot[entry.entry_id] = {
8
        'reduced_formula': entry.reduced_formula,
9
        'energy': entry.energy,
10
        'energy_per_atom': entry.energy_per_atom,
11
        'x': x,
12
        'y': y,
13
        'energy_above_hull': energy_above_hull[entry.entry_id],
14
        'stable': True,
15
    }
16

17
for entry, (x, y) in unstable_entries_plot.items():
18
    entries_plot[entry.entry_id] = {
19
        'reduced_formula': entry.reduced_formula,
20
        'energy': entry.energy,
21
        'energy_per_atom': entry.energy_per_atom,
22
        'x': x,
23
        'y': y,
24
        'energy_above_hull': energy_above_hull[entry.entry_id],
25
        'stable': False,
26
    }
27

28
df_entries_plot = pd.DataFrame.from_dict(entries_plot, orient='index').reset_index(names='material_id')
29
df_lines = pd.DataFrame(
30
    [
31
        {'x1': line[0][0], 'y1': line[1][0], 'x2': line[0][1], 'y2': line[1][1]}
32
        for line in lines
33
    ]
34
)
35

36
df_entries_plot.sort_values(['stable', 'energy_above_hull'], ascending=[False, True])

收起展开

提取的绘图元数据如下：

	material_id	reduced_formula	energy	energy_per_atom	x	y	energy_above_hull	stable
0	mp-593	Al4Cu9	-3.030330	-0.233102	0.653846	0.599556	0.000000	True
1	mp-2121	ScAl3	-1.916509	-0.479127	0.750000	0.000000	0.000000	True
2	mp-1169	ScCu	-0.513136	-0.256568	0.250000	0.433013	0.000000	True
3	mp-1018149	ScCu2	-0.709247	-0.236416	0.333333	0.577350	0.000000	True
4	mp-862259	Sc3Al	-1.155269	-0.288817	0.250000	0.000000	0.000000	True
...	...	...	...	...	...	...	...	...
50	mp-567308	Sc	0.205734	0.205734	0.000000	0.000000	0.205734	False
30	mp-1239196	Al	0.302126	0.302126	1.000000	0.000000	0.302126	False
51	mp-1008681	Sc	0.719454	0.719454	0.000000	0.000000	0.719454	False
60	mp-1209129	Sc4Al	2.524301	0.504860	0.200000	0.000000	0.735914	False
21	mp-1056079	Cu	1.982934	1.982934	0.500000	0.866025	1.982934	False

61 rows × 8 columns

定义绘图辅助函数#

1
def to_latex(formula_pretty: str) -> str:
2
    '''
3
    将化学式转换为LaTeX格式，适用于matplotlib的文本显示。
4
    例如：ScAl2 -> $\mathrm{ScAl_{2}}$
5
    '''
6
    formula = re.sub(r'\)(\d+)', r')_{\1}', formula_pretty)
7
    formula = re.sub(r'([A-Z][a-z]?)(\d+)(?![}])', r'\1_{\2}', formula)
8
    return f'$\\mathrm{{{formula}}}$'
9

10

11
def reconstruct_triangles(points: np.ndarray, lines_df: pd.DataFrame, tol: float = 1e-6) -> list[list[int]]:
12
    '''
13
    根据相图中的线段数据重建三角形连接关系，以便在matplotlib中使用Triangulation进行等高线绘制。
14
    '''
15
    if len(points) < 3 or lines_df.empty:
16
        return []
17

18
    tree = cKDTree(points)
19
    adjacency = [set() for _ in range(len(points))]
20

21
    p1 = lines_df[['x1', 'y1']].to_numpy(float)
22
    p2 = lines_df[['x2', 'y2']].to_numpy(float)
23
    d1, idx1 = tree.query(p1, k=1)
24
    d2, idx2 = tree.query(p2, k=1)
25

26
    for point_a, point_b, dist_a, dist_b in zip(idx1, idx2, d1, d2):
27
        if dist_a <= tol and dist_b <= tol and point_a != point_b:
28
            adjacency[point_a].add(point_b)
29
            adjacency[point_b].add(point_a)
30

31
    triangles = []
32
    for i in range(len(points)):
33
        neighbors = adjacency[i]
34
        for j in (value for value in neighbors if value > i):
35
            common_neighbors = neighbors.intersection(adjacency[j])
36
            for k in (value for value in common_neighbors if value > j):
37
                triangles.append([i, j, k])
38

39
    return triangles

收起展开

使用matplotlib重新绘制相图#

1
df_stable = df_entries_plot[df_entries_plot['stable']].copy()
2
df_unstable = df_entries_plot[~df_entries_plot['stable']].copy()
3

4
fig, ax = plt.subplots(figsize=(15 * cm, 10 * cm))
5

6
if len(df_stable) >= 3 and not df_lines.empty:
7
    points = df_stable[['x', 'y']].to_numpy(float)
8
    triangles = reconstruct_triangles(points, df_lines)
9

10
    if triangles:
11
        triangulation = Triangulation(points[:, 0], points[:, 1], np.asarray(triangles, dtype=int))
12
    else:
13
        triangulation = Triangulation(points[:, 0], points[:, 1])
14

15
    contour = ax.tricontourf(
16
        triangulation,
17
        df_stable['energy_per_atom'].to_numpy(float),
18
        levels=50,
19
        cmap='viridis',
20
        alpha=0.7,
21
        zorder=1,
22
        extend='both',
23
    )
24
    cbar = plt.colorbar(contour, ax=ax, shrink=0.8)
25
    cbar.set_label('Formation Energy (eV/atom)', fontsize=10)
26
    cbar.ax.tick_params(labelsize=8)
27
    half_plot_set(cbar.ax)
28

29
for _, row in df_lines.iterrows():
30
    ax.plot([row['x1'], row['x2']], [row['y1'], row['y2']], c='#555555', linewidth=0.5, zorder=9, alpha=0.9)
31

32
if not df_stable.empty:
33
    ax.scatter(
34
        df_stable['x'],
35
        df_stable['y'],
36
        marker='o',
37
        color='green',
38
        s=30,
39
        label='Stable',
40
        zorder=30,
41
    )
42

43
if not df_unstable.empty:
44
    ax.scatter(
45
        df_unstable['x'],
46
        df_unstable['y'],
47
        marker='d',
48
        c='lightgray',
49
        s=10,
50
        label='Unstable',
51
        zorder=35,
52
    )
53

54
texts = []
55
for row in df_stable.itertuples(index=False):
56
    texts.append(
57
        ax.text(
58
            row.x,
59
            row.y,
60
            to_latex(row.reduced_formula),
61
            fontsize=10,
62
            ha='center',
63
            va='center',
64
            zorder=100,
65
            weight='regular',
66
            color='black',
67
        )
68
    )
69

70
# if adjust_text is not None and texts:
71
adjust_text(texts, ax=ax)
72

73
ax.set_xticks([])
74
ax.set_yticks([])
75
ax.spines['top'].set_visible(False)
76
ax.spines['right'].set_visible(False)
77
ax.spines['bottom'].set_visible(False)
78
ax.spines['left'].set_visible(False)
79
ax.set_xlim(-0.05, 1.05)
80
ax.set_ylim(-0.05, 0.95)
81
plt.tight_layout()
82

83
fig.savefig('Al-Cu-Sc_phase_diagram.webp', dpi=1200)
84
plt.show()

收起展开

最终效果如下：

图片来源记录

Sun, 05 Apr 2026 12:10:00 GMT

图片来源记录#

这篇文章用于记录站点中引用图片的原始出处，后续如果新增 banner、封面或其它外部图片，也会继续补充在这里。

当前记录#

用途	原始链接
头像 / Navbar Logo / Favicon	https://www.pixiv.net/artworks/142818008
流萤图片	参照Firefly库：https://github.com/CuteLeaf/Firefly

Phonopy画图示例

Sun, 05 Apr 2026 00:00:00 GMT

声子谱绘图#

导入必要的库并设置绘图参数#

1
import matplotlib.pyplot as plt
2
from matplotlib.ticker import AutoMinorLocator
3
from matplotlib.axes._axes import Axes
4
from PltSci import whole_plot_set, half_plot_set, set_ticks, cm
5
import numpy as np
6
import pandas as pd
7
from pathlib import Path

设置phonopy输出的文件所在的文件夹#

1
phonopy_dir= Path("Your phonopy output directory")

计算声子谱#

1
# 查看声子谱
2
import yaml
3

4

5
def read_band_yaml(filename):
6
    """读取 band.yaml 文件"""
7
    with open(filename, "r") as file:
8
        data = yaml.safe_load(file)
9

10
    # 提取数据
11
    q_points = []
12
    frequencies = []
13
    for phonon in data["phonon"]:
14
        q_points.append(phonon["q-position"])
15
        freqs = [band["frequency"] for band in phonon["band"]]
16
        frequencies.append(freqs)
17

18
    return np.array(q_points), np.array(frequencies)
19

20
def calculate_path_distances(q_points):
21
    """计算路径距离"""
22
    distances = [0]
23
    for i in range(1, len(q_points)):
24
        delta = np.linalg.norm(q_points[i] - q_points[i-1])
25
        distances.append(distances[-1] + delta)
26
    return np.array(distances)/10
27

28
def calculate_label_positions(config_file):
29
    with open(config_file, 'r') as f:
30
        lines = f.readlines()
31

32
    # 提取 BAND 行
33
    band_line = None
34
    band_labels = None
35
    for line in lines:
36
        if 'BAND_LABELS' in line.split():
37
            band_labels = line.split('=')[1].strip().split()
38
        elif 'BAND' in line.split():
39
            band_line = line.split('=')[1].strip()
40

41
    if not band_line or not band_labels:
42
        return None, None
43
    # 解析坐标
44
    coords = np.array([float(x) for x in band_line.split()]).reshape(-1, 3)
45

46
    # 计算累积距离
47
    distances = [0]
48
    for i in range(1, len(coords)):
49
        delta = np.linalg.norm(coords[i] - coords[i-1])
50
        distances.append(distances[-1] + delta)
51

52
    return distances, band_labels

收起展开

得到所有声子支及其对应的频率，以及高对称点路径及其距离#

1
q_points, frequencies = read_band_yaml(phonopy_dir/"band.yaml")
2
x = calculate_path_distances(q_points)
3
distabces,band_labels = calculate_label_positions(phonopy_dir/"band.conf")
4
# 将x和frequencies转换为DataFrame
5
df = pd.DataFrame(frequencies, index=x)
6
df.columns=[f"Mode {i+1}" for i in range(df.shape[1])]
7
df.to_csv(phonopy_dir/"band.csv")
8
print(band_labels)
9
print(distabces)
10
df

输出如下：

1
['Γ', 'X', 'M', 'Γ', 'Z', 'Z$_0$', 'M', 'X', 'P', 'N', 'Γ']
2
[0, np.float64(0.5), np.float64(1.2071067811865475), np.float64(2.0731321849709863), np.float64(2.6530321572528663), np.float64(3.6559849432852403), np.float64(3.9421103747877986), np.float64(4.6492171559743465), np.float64(5.082229857866566), np.float64(5.515242559758786), np.float64(6.015242559758786)]

x	Mode 1	Mode 2	Mode 3	Mode 4	Mode 5	Mode 6	Mode 7	Mode 8	Mode 9	Mode 10	...	Mode 30	Mode 31	Mode 32	Mode 33	Mode 34	Mode 35	Mode 36	Mode 37	Mode 38	Mode 39
0.000000	-0.016602	-0.016578	-0.004214	2.261070	3.087513	4.017914	4.039012	4.039012	4.081514	4.283571	...	8.734425	8.995253	8.995253	9.103420	9.212984	9.213265	9.740371	10.843518	10.843519	11.937467
0.002632	0.144104	0.145348	0.285528	2.262128	3.087593	4.014263	4.037053	4.040149	4.081030	4.282455	...	8.743481	8.993692	8.993947	9.104067	9.214416	9.214815	9.739465	10.842642	10.843391	11.935715
0.005263	0.287903	0.291999	0.570570	2.265253	3.087838	4.003063	4.031526	4.043538	4.079532	4.279206	...	8.767466	8.989158	8.990148	9.105905	9.218562	9.219394	9.736746	10.840038	10.843012	11.930510
0.007895	0.430888	0.438105	0.853010	2.270298	3.088269	3.983696	4.023369	4.049117	4.076885	4.274125	...	8.800488	8.982057	8.984175	9.108669	9.225029	9.226795	9.732215	10.835784	10.842385	11.921997
0.010526	0.572668	0.583785	1.131684	2.277025	3.088925	3.955521	4.013769	4.056782	4.072881	4.267678	...	8.838111	8.972920	8.976431	9.112035	9.233294	9.236693	9.725876	10.830004	10.841518	11.910418
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
0.590998	0.784618	0.899562	1.514743	2.348375	3.129820	3.897475	3.943181	3.978098	4.110157	4.245356	...	8.733970	8.974490	8.987286	8.988509	9.145138	9.255682	9.801084	10.827591	10.835713	11.920785
0.593630	0.590667	0.677458	1.146342	2.311092	3.110628	3.943047	3.982800	4.002031	4.101885	4.261316	...	8.736877	8.979828	8.991620	9.030845	9.173239	9.238195	9.778077	10.834311	10.839040	11.927932
0.596261	0.394689	0.452855	0.768873	2.283598	3.097620	3.980764	4.013259	4.021565	4.093443	4.273361	...	8.738840	8.987067	8.993696	9.068773	9.193910	9.225594	9.758531	10.839345	10.841500	11.933180
0.598893	0.197156	0.226451	0.385737	2.266747	3.090019	4.007491	4.032456	4.034496	4.085458	4.280960	...	8.736032	8.993033	8.994874	9.094361	9.206825	9.217712	9.745159	10.842463	10.843009	11.936388
0.601524	-0.016602	-0.016578	-0.004214	2.261070	3.087513	4.017914	4.039012	4.039012	4.081514	4.283571	...	8.734425	8.995253	8.995253	9.103420	9.212984	9.213265	9.740371	10.843518	10.843519	11.937467

200 rows × 39 columns

1
fig,ax= plt.subplots(figsize=(cm(7), cm(5)),dpi=500)
2

3
for i in range(frequencies.shape[1]):
4
    plt.plot(x, frequencies[:, i], color='#1763bb', linewidth=0.5)
5
x_max= np.max(x)
6
distabces=distabces/distabces[-1]*x_max
7
set_ticks(ax,xrange=(distabces[0], distabces[-1], 0.05), yrange=(-1, 13, 2))
8
ax.set_yticks(np.arange(0,12.1, 2))
9
for label, point in zip(band_labels, distabces):
10
    ax.axvline(point, color='dimgray', linewidth=0.5, linestyle='--')
11
    ax.text(point, -1.2, label, ha='center', va='top', fontsize=8)
12
ax.axhline(0, color='dimgray', linewidth=0.5, linestyle='--')
13
# 不显示x轴坐标和刻度
14
ax.set_xticks([])
15
ax.set_xticklabels([])
16
ax.set_ylabel("Frequency (THz)", fontsize=8)
17
half_plot_set(ax)

收起展开

png

1
fig.savefig(phonopy_dir/"phonon_band.png", bbox_inches='tight', dpi=1200)

提取声子态密度数据#

1
# 计算声子态密度
2
# 读取mesh.yaml文件来计算DOS
3
mesh_data = yaml.safe_load(open(phonopy_dir / "mesh.yaml"))
4

5
# 提取频率数据
6
frequencies_mesh = []
7
weights = []
8
for phonon in mesh_data["phonon"]:
9
    freqs = [band["frequency"] for band in phonon["band"]]
10
    frequencies_mesh.append(freqs)
11
    weights.append(phonon["weight"])
12

13
frequencies_mesh = np.array(frequencies_mesh)
14
weights = np.array(weights)
15

16
# 计算DOS
17
freq_range = np.linspace(-1, 13, 1000)
18
dos = np.zeros_like(freq_range)
19

20
# 使用高斯展宽计算DOS
21
sigma = 0.1  # 展宽参数
22
for i, freq_point in enumerate(freq_range):
23
    dos_set=weights * np.exp(-((freq_point - frequencies_mesh) ** 2) / (2 * sigma**2)).T
24
    dos[i] = np.sum(dos_set)
25

26
# 归一化
27
dos = dos / (sigma * np.sqrt(2 * np.pi) * np.sum(weights))

收起展开

1
# 绘制DOS
2
fig_dos, ax_dos = plt.subplots(figsize=(cm(7), cm(5)), dpi=500)
3
ax_dos.plot(freq_range, dos, color=color_map[0], linewidth=1)
4
ax_dos.fill_between(freq_range, dos, alpha=0.3, color=color_map[0])
5

6
set_ticks(ax_dos, xrange=(-1, 13, 2), yrange=(0, 9, 2))
7
ax_dos.set_xlabel("Frequency (THz)", fontsize=8)
8
ax_dos.set_ylabel("DOS", fontsize=8)
9
ax_dos.axvline(0, color='dimgray', linewidth=0.5, linestyle='--')
10
half_plot_set(ax_dos)

png

1
fig.savefig(phonopy_dir/"phonon_DOS.png", bbox_inches='tight', dpi=1200)

画一个组合图#

1
fig, axs = plt.subplots(
2
    1, 2, figsize=(cm(7), cm(5)), dpi=500, gridspec_kw={"width_ratios": [3.5, 1]}
3
)
4
ax = axs[0]
5

6
# 绘制所有声子支
7
for i in range(frequencies.shape[1]):
8
    ax.plot(x, frequencies[:, i], color="#1763bb", linewidth=0.5)
9
x_max = np.max(x)
10
distabces = distabces / distabces[-1] * x_max
11
set_ticks(ax, xrange=(distabces[0], distabces[-1], 0.05), yrange=(-1, 13, 2))
12
ax.set_yticks(np.arange(0, 12.1, 2))
13
i = 0
14
for label, point in zip(band_labels, distabces):
15
    ax.axvline(point, color="dimgray", linewidth=0.5, linestyle="--")
16
    if i == 5:
17
        ax.text(point - 0.005, -1.2, label, ha="center", va="top", fontsize=8)
18
    elif i == 6:
19
        ax.text(point + 0.005, -1.2, label, ha="center", va="top", fontsize=8)
20
    else:
21
        ax.text(point, -1.2, label, ha="center", va="top", fontsize=8)
22
    i += 1
23
ax.axhline(0, color="dimgray", linewidth=0.5, linestyle="--")
24
# 不显示x轴坐标和刻度
25
ax.set_xticks([])
26
ax.set_xticklabels([])
27
ax.set_ylabel("Frequency (THz)", fontsize=10)
28
half_plot_set(ax)
29

30
ax = axs[1]
31
# 绘制DOS
32
ax.plot(dos, freq_range, color=color_map[0], linewidth=0.5)
33
ax.fill_betweenx(freq_range, dos, alpha=0.3, color=color_map[0])
34
set_ticks(ax, xrange=(0, 9, 2), yrange=(-1, 13, 2))
35
ax.axhline(0, color="dimgray", linewidth=0.5, linestyle="--")
36
ax.set_yticklabels([])
37
ax.set_xticks([])
38
ax.set_xticklabels([])
39
half_plot_set(ax)
40
ax.text(4.5, -1.2, "DOS", ha="center", va="top", fontsize=8)
41

42
fig.subplots_adjust(wspace=0)  # 调整子图间距

收起展开

Phonopy声子谱

1
fig.savefig(phonopy_dir/"phonon_band_dos.png", bbox_inches='tight', dpi=1200)

yazi终端文件管理器简单教程

Sun, 05 Apr 2026 00:00:00 GMT

yazi终端文件管理器简单教程#

yazi是一个基于终端的文件管理器。能在终端界面上提供类似图形界面的文件浏览和操作体验。它支持多种文件操作，如复制、移动、删除等，并且可以通过键盘快捷键进行操作。

yazi已经安装在系统中，可以通过yazi命令直接运行。

配置建议#

建议使用jupyter终端或其他支持鼠标操作的终端来运行yazi，这样可以更方便地进行文件浏览和操作。
建议安装字体MesloLGS NF字体点这儿下载

然后，添加如下配置到~.bashrc或~/.zshrc文件中：

Terminal window

1
function y() {
2
        local tmp="$(mktemp -t "yazi-cwd.XXXXXX")" cwd
3
        yazi "$@" --cwd-file="$tmp"
4
        IFS= read -r -d '' cwd < "$tmp"
5
        [ -n "$cwd" ] && [ "$cwd" != "$PWD" ] && builtin cd -- "$cwd"
6
        rm -f -- "$tmp"
7
}

这样配置后，你可以在终端中使用y命令来启动yazi，并且在退出yazi后会自动切换到你浏览的目录。

常用快捷键#

快捷键	功能
`h`, `←`	切换到上一级目录
`l`, `→`	进入选中的目录
`j`, `↓`	向下移动光标
`k`, `↑`	向上移动光标
`g` + `space`	先按`g`键，再按空格键，跳转到目录（相当于`cd`命令）
`enter`	进入选中的目录或打开文件
`q`	返回终端界面
`y`	复制选中的文件或目录
`x`	剪切选中的文件或目录
`p`	粘贴已复制或剪切的文件或目录
`d`	将选中的文件移至回收站
`D`	彻底删除选中的文件或目录
`a`	新建文件或目录（以 `/` 结尾表示新建目录）
`r`	重命名选中的文件或目录
`:`	进入命令模式，可以输入命令
`;`	进入命令模式，可以输入命令
`/`	进入搜索模式，可以搜索文件或目录
`f`	进入筛选模式，可以筛选文件或目录
`.`	切换隐藏文件的显示状态

其他快捷键#

摘录自https://github.com/jaywcjlove/reference/blob/main/docs/yazi.md

更多导航命令

快捷键	操作说明
`K`	在预览中向上移动 5 个单位
`J`	在预览中向下移动 5 个单位
`g` ⇒ `g`	将光标移动到顶部
`G`	将光标移动到底部
`z`	通过 fzf 进入目录或显示文件（cd 或 reveal）
`Z`	通过 zoxide 进入目录（cd）

选择操作#

快捷键	操作说明
`Space`	切换当前悬停的文件/目录的选择状态
`v`	进入可视模式（选择模式）
`V`	进入可视模式（取消模式）
`Ctrl` + `a`	选择所有文件
`Ctrl` + `r`	反转当前所有文件的选择状态
`Esc`	取消所有选择

用于选择文件和目录的快捷键命令

文件操作#

快捷键	操作说明
`o`	打开选中的文件
`O`	以交互方式打开选中的文件
`Enter`	打开选中的文件
`Shift` + `Enter`	以交互方式打开选中的文件（部分终端尚不支持）
`Tab`	显示文件信息
`y`	复制选中的文件
`x`	剪切选中的文件
`p`	粘贴已复制/剪切的文件
`P`	粘贴已复制/剪切的文件（如目标存在则覆盖）
`Y` 或 `X`	取消已复制/剪切状态
`d`	将选中的文件移至回收站
`D`	彻底删除选中的文件
`a`	新建文件（以 / 结尾表示新建目录）
`r`	重命名选中的文件
`.`	切换隐藏文件的显示状态

更多文件操作命令如下：

快捷键	操作说明
`;`	执行一个 Shell 命令
`:`	执行一个 Shell 命令（阻塞，直到命令完成）
`-`	创建已复制文件的绝对路径符号链接
`_`	创建已复制文件的相对路径符号链接
`Ctrl` + `-`	创建已复制文件的硬链接

要操作选中的文件或目录

复制路径#

快捷键	操作说明
`c` ⇒ `c`	复制文件路径
`c` ⇒ `d`	复制目录路径
`c` ⇒ `f`	复制文件名
`c` ⇒ `n`	复制不带扩展名的文件名

复制路径 说明：c ⇒ d 表示先按下 c 键，然后按下 d 键。

搜索与过滤#

快捷键	操作说明
`f`	过滤文件
`/`	查找下一个文件
`?`	查找上一个文件
`n`	跳转到下一个匹配项
`N`	跳转到上一个匹配项

搜索文件#

快捷键	操作说明
`s`	使用 fd 按名称搜索文件
`S`	使用 ripgrep 按内容搜索文件
`Ctrl` + `s`	取消当前进行中的搜索

排序#

快捷键	操作说明
`,` ⇒ `m`	按修改`时间`排序
`,` ⇒ `M`	按修改`时间倒序`排序
`,` ⇒ `b`	按`创建时间`排序
`,` ⇒ `B`	按`创建时间`倒序排序
`,` ⇒ `e`	按文件`扩展名`排序
`,` ⇒ `E`	按文件`扩展名倒序`排序
`,` ⇒ `a`	按`字母顺序`排序
`,` ⇒ `A`	按`字母倒序`排序
`,` ⇒ `n`	按`自然`排序
`,` ⇒ `N`	按`自然倒序`排序
`,` ⇒ `s`	按文件`大小`排序
`,` ⇒ `S`	按文件`大小倒序`排序
`,` ⇒ `r`	`随机`排序

对文件/目录进行排序说明： , ⇒ a 表示先按下 , 键，再按下 a 键。

多标签页#

快捷键	操作说明
`t`	以当前工作目录创建新标签页
`1`, `2`, …, `9`	切换到第 N 个标签页
`[`	切换到上一个标签页
`]`	切换到下一个标签页
`{`	当前标签页与上一个互换位置
`}`	当前标签页与下一个互换位置
`Ctrl` + `c`	关闭当前标签页

自定义配置#

通过编辑配置文件来自定义 Yazi，配置文件通常位于 $HOME/.config/yazi/xxx.toml，可修改默认设置如快捷键、主题等。

yazi.toml - 常规配置
keymap.toml - 快捷键绑定
theme.toml - 主题配置

配置文件示例：yazi.toml#

1
[general]
2
# 设置主界面主题为 dark 或 light
3
theme = "dark"

启动时的默认路径

1
default_path = "~"

是否启用自动保存配置

1
auto_save_config = true

自定义快捷键绑定

1
[keybindings]
2
quit = "q"        # 退出
3
copy = "y"        # 复制文件
4
paste = "p"       # 粘贴文件
5
delete = "d"      # 删除文件

界面相关配置

1
[ui]
2
preview_enabled = true     # 是否启用文件预览
3
show_hidden_files = true   # 显示隐藏文件
4
columns = 2                # 文件列表列数

搜索行为配置

1
[search]
2
case_sensitive = false  # 搜索是否区分大小写
3
search_timeout = 30     # 搜索超时时间（秒）

排序规则配置

1
[sorting]
2
sort_by = "name" # 排序方式: name,size,date
3
reverse_sort = false  # 是否反向排序

插件加载配置

1
[plugins]
2
enabled_plugins = ["git", "archive"]

keymap.toml 配置示例#

1
# 全局快捷键配置
2
[global]
3
# 全局退出应用程序
4
quit = "Ctrl+Q"
5
# 打开文件或目录
6
open = "Enter"
7
# 返回上级目录
8
back = "Backspace"
9
# 搜索功能触发
10
search = "/"
11
# 复制路径
12
copy_path = "Ctrl+C"
13

14
# 窗口控制快捷键
15
[window]
16
# 切换窗口
17
switch_window = "Tab"
18
# 新建窗口
19
new_window = "Ctrl+N"
20
# 关闭窗口
21
close_window = "Ctrl+W"
22

23
# 文件操作快捷键
24
[file]
25
# 删除文件
26
delete_file = "D"
27
# 重命名文件
28
rename_file = "R"
29
# 复制文件
30
copy_file = "Y"
31
# 粘贴文件
32
paste_file = "P"
33
# 移动文件
34
move_file = "M"
35

36
# 文件选择快捷键
37
[selection]
38
# 全选
39
select_all = "Ctrl+A"
40
# 取消所有选择
41
deselect_all = "Ctrl+D"
42
# 反选
43
invert_selection = "Ctrl+I"
44
# 选择当前文件/目录
45
select_item = "Space"
46

47
# 页面导航快捷键
48
[navigation]
49
# 向上移动光标
50
move_up = "K"
51
# 向下移动光标
52
move_down = "J"
53
# 向左切换标签
54
move_left = "H"
55
# 向右切换标签
56
move_right = "L"
57

58
# 自定义命令触发键
59
[custom]
60
# 触发自定义功能
61
custom_action_1 = "Ctrl+1"
62
custom_action_2 = "Ctrl+2"
63
custom_action_3 = "Ctrl+3"

收起展开

theme.toml 配置示例#

1
[general]
2
# 设置主界面配色方案
3
background_color = "#1e1e2e"  # 背景颜色
4
foreground_color = "#cdd6f4"  # 文本颜色
5
cursor_color = "#89dceb"      # 光标颜色
6
selection_color = "#585b70"   # 选中项背景颜色
7
highlight_color = "#fab387"   # 高亮颜色
8

9
# 字体设置
10
font_family = "FiraCode"      # 字体名称
11
font_size = 14                # 字体大小
12

13
[ui]
14
# 界面边框与间距
15
border_color = "#45475a"      # 边框颜色
16
padding = 4                   # 界面内容的内边距
17

18
[file_browser]
19
# 文件浏览器颜色配置
20
directory_color = "#89b4fa"   # 目录名称颜色
21
file_color = "#cdd6f4"        # 普通文件颜色
22
symlink_color = "#f5c2e7"     # 符号链接颜色
23
hidden_file_color = "#6c7086" # 隐藏文件颜色
24

25
[status_bar]
26
# 状态栏颜色
27
background_color = "#313244"  # 状态栏背景
28
foreground_color = "#a6adc8"  # 状态栏文字
29
error_color = "#f38ba8"       # 状态栏错误信息
30

31
[search]
32
# 搜索结果配色
33
match_color = "#a6e3a1"       # 搜索结果的匹配高亮
34
current_match_color = "#fab387"  # 当前匹配项的高亮
35

36
[progress_bar]
37
# 进度条的配色
38
filled_color = "#89dceb"      # 已填充部分
39
empty_color = "#313244"       # 未填充部分

收起展开

另见#

Yazi 官方文档 (yazi-rs.github.io)
Yazi Github (github.com)

使用Phonopy的DFPT方法计算声子谱及热力学性质

Sun, 05 Apr 2026 00:00:00 GMT

如何使用Phonopy的DFPT计算声子谱和热力学性质#

Phonopy安装#

请务必保证Python版本为3.7或以上，并配置了环境变量（即python3命令可以直接运行）

Phonopy是一个用于计算晶体材料声子谱和热力学性质的Python库。要使用Phonopy进行DFPT（密度泛函微扰理论）计算，首先需要安装Phonopy。可以通过以下命令安装：pip install phonopy 使用以下命令检查Phonopy是否安装成功：

1
$ phonopy
2
        _
3
  _ __ | |__   ___  _ __   ___   _ __  _   _
4
 | '_ \| '_ \ / _ \| '_ \ / _ \ | '_ \| | | |
5
 | |_) | | | | (_) | | | | (_) || |_) | |_| |
6
 | .__/|_| |_|\___/|_| |_|\___(_) .__/ \__, |
7
 |_|                            |_|    |___/
8
                                      2.38.2
9

10
-------------------------[time 2025-06-26 10:52:53]-------------------------
11
Compiled with OpenMP support (max 16 threads).
12
Python version 3.12.3
13
Spglib version 2.5.0
14

15

16
Supercell matrix (DIM or --dim) was not explicitly specified.
17
Switched on phonopy-yaml mode.
18
"phonopy_disp.yaml" or "phonopy.yaml" could not be found.
19
  ___ _ __ _ __ ___  _ __
20
 / _ \ '__| '__/ _ \| '__|
21
|  __/ |  | | | (_) | |
22
 \___|_|  |_|  \___/|_|

收起展开

如果看到类似上面的输出，说明Phonopy安装成功。

如果输出是 command not found: phonopy，则说明Phonopy没有安装成功或没有配置环境变量。可以尝试如下命令配置环境变量：export PATH="$PATH:/opt/Python312/bin/"，记得将路径替换成你的python安装路径下的bin目录。如果有效，记得将这行命令添加到你的 .bashrc，以便每次登录时自动加载。

Phonopy的DFPT计算#

参考官网：VASP-DFPT & phonopy calculation Phonopy支持使用DFPT计算声子谱和热力学性质。以下是使用Phonopy进行DFPT计算的步骤：

一、准备VASP输入文件#

1. 准备POSCAR文件#

首先，将优化后的结构保存为POSCAR-unitcell文件。
创建一个新的目录（如 phonopy-dfpt），并将POSCAR-unitcell文件复制到该目录下。
使用Phonopy进行扩胞。扩胞原则：扩胞原则：扩大接近100个原子，超胞晶格大于10A。使用以下命令进行扩胞操作：
Terminal window
```
1
phonopy -d --dim 2 2 2 -c POSCAR-unitcell
```
其中，--dim 2 2 2表示将原胞扩展为2x2x2的超胞。这将生成多个POSCAR文件（如POSCAR-000, POSCAR-001等），每个文件对应一个原子位移。但是这些POSCAR-{number}文件在DFPT计算中并不需要。这些文件是在有限位移法（Finite Displacement Method）中使用的。
接下来，使用Phonopy生成phonopy_disp.yaml文件：
Terminal window
```
1
phonopy --dim 2 2 2 -c POSCAR-unitcell
```
这将生成一个名为phonopy_disp.yaml的文件，其中包含了超胞的位移信息。

2. 设置INCAR文件#

需要使用VASP计算完美超胞的力学常数，要设置IBRION = 8，以下为一个适用于的INCAR文件示例：

1
    PREC = Accurate
2
   ENCUT = 500
3
  IBRION = 8
4
   EDIFF = 1.0e-08
5
   IALGO = 38
6
  ISMEAR = 1
7
   SIGMA = 0.2
8
   LREAL = .FALSE.
9
 ADDGRID = .TRUE.
10
   LWAVE = .FALSE.
11
  LCHARG = .FALSE.

其他文件#

KPOINTS：可以使用Vaspkit生成K点网格，建议使用较高的K点密度（如0.01），以确保计算精度。但是如果K点密度过高，可能会导致计算时间过长以及内存不足等问题。（我尝试过使用0.04，也能算出来结果）
POTCAR：使用VASP的POTCAR文件，确保包含所有元素的赝势。

二、运行VASP计算#

按照计算集群的要求，提交VASP计算任务。

三、计算声子谱#

首先，需要计算力学常数。在Vasp计算完成之后，确定”vasprun.xml”中存在hessian矩阵（Hessian matrix），这表明力学常数计算成功。那么就可以使用Phonopy提取力学常数。运行如下命令，得到FORCE_CONSTANTS文件：
Terminal window
```
1
phonopy --fc vasprun.xml
```

获取高对称点信息。可以使用VaspKit的305功能生成高对称点信息。Vaspkit会生成一个名为KPATH.phonopy的文件，其中包含了高对称点的信息。将这个文件的名字改为band.conf。这个文件的内容如下：

1
NPOINTS = 501
2
DIM =
3
BAND = 0.000000 0.000000 0.000000 0.000000 0.000000 0.500000 -0.500000 0.500000 0.500000 0.000000 0.000000 0.000000 0.335794 0.335794 -0.335794, -0.335794 0.664206 0.335794 -0.500000 0.500000 0.500000, 0.000000 0.000000 0.500000 0.250000 0.250000 0.250000 0.000000 0.500000 0.000000 0.000000 0.000000 0.000000
4
BAND_LABELS = $\Gamma$ X M $\Gamma$ Z Z$_0$ M X P N $\Gamma$
5

6
MP = 30 30 30
7
TETRAHEDRON = .TRUE.
8
PDOS = 1 2 3 4 5 6 7 8, 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72, 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104
9
BAND_CONNECTION = .TRUE.
10
FORCE_CONSTANTS = READ
11

12
# FORCE_SETS = READ
13
# IRREPS = 0  0  0
14
# SHOW_IRREPS = .TRUE.
15
# LITTLE_COGROUP = .TRUE.

收起展开

将其中的DIM改为你想要的超胞维度（如DIM = 2 2 2，如果不想扩胞，设置为1 1 1），然后在最后添加一行：BAND_FORMAT = HDF5，以便输出HDF5格式的声子谱数据，方便后续绘图使用。

这样设置后，Phonopy会在计算完成后生成一个名为band.hdf5的文件，其中包含了声子谱的数据，可以使用这个文件进行绘图。

计算声子谱。运行以下命令：
Terminal window
```
1
phonopy --dim='2 2 2' -c POSCAR-unitcell band.conf
```
同样的，--dim参数需要与你的超胞维度一致。计算完成后，会得到band.yaml文件，其中包含了声子谱的计算结果。

绘制声子谱#

Phonopy提供了绘制声子谱的功能。可以使用以下命令绘制声子谱：

Terminal window

1
phonopy-bandplot -o phonopy-bandplot.jpg

这将生成一个名为phonopy-bandplot.jpg的文件，其中包含了声子谱的图像。但是这个图太过简陋，如下所示，建议将数据下载到本地进行绘图 以下为一个绘图的Python脚本示例：

Phonopy画图示例

计算热力学性质#

Phonopy还可以计算热力学性质，如比热容、熵等。可以使用以下命令计算热力学性质：

Terminal window

1
phonopy --dim 2 2 2 -t mesh.conf -c POSCAR-unitcell

同样的，--dim参数需要与你的超胞维度一致。计算完成后，会生成一个名为thermal.yaml的文件，其中包含了热力学性质的计算结果。

然后，我们可以使用以下命令从thermal.yaml文件中提取热力学性质：

Terminal window

1
phonopy-propplot --gnuplot thermal_properties.yaml > thermal_properties.dat

这将生成一个名为thermal_properties.dat的文件，使用vcsode可以看到这是一个表格，其中包含了热力学性质的数据。我们可以使用这些数据来绘制热力学性质的图像。其中包含了温度、比热容、熵等信息，可以使用这些数据来绘制热力学性质的图像。其中各列的含义如下所示：

列名	符号	单位	物理含义	公式关系	备注
temperature	(T)	K	温度	—	计算热力学量的温度点
Free energy	(F)	kJ/mol	Helmholtz 自由能（声子贡献）	(F = U - TS)	含零点能（ZPE），用于判断稳定性
Entropy	(S)	J/(K·mol)	熵（振动贡献）	—	描述无序度，T→0 时趋近 0
Heat capacity	(C_V)	J/(K·mol)	定容热容	(C_V = \left(\frac{\partial U}{\partial T}\right)_V)	高温趋近 Dulong–Petit 极限
Energy	(U)	kJ/mol	内能（声子贡献）	(U = F + TS)	包含零点能 + 热激发能

错误处理#

存在虚频#

如果在计算声子谱时发现存在虚频，可能是由于以下原因：

声子谱的计算需要对原胞结构进行高精度的充分优化，否则易出现虚频。可以用如下方式进行优化：
- 设置INCAR文件中的精度参数
```
1
EDIFF=1E-08
2
EDIFFG=1E-3
```
- 使用更高的K点网格进行计算，在Vaspkit中设置更低的数值（如0.01）来生成K点网格。K点数字为奇数时貌似不容易出现计算错误现象。

END#

如何使用Phonopy计算Gibbs自由能

Sun, 05 Apr 2026 00:00:00 GMT

使用Phonopy计算Gibbs自由能的详细步骤

Pymatgen计算Gibbs自由能

Wed, 28 Jan 2026 10:58:01 GMT

导入必要的库#

1
import numpy as np
2
import pandas as pd
3
import matplotlib.pyplot as plt
4
from pltsci import whole_plot_set, half_plot_set, set_ticks, cm
5

6
from pymatgen.core.composition import Composition
7
from pymatgen.entries.computed_entries import ComputedEntry
8
from pymatgen.analysis.phase_diagram import PhaseDiagram, PDPlotter

Ubuntu上neovim和lazyvim配置

Wed, 21 Jan 2026 10:06:16 GMT

说明#

lazyvim刚需高版本的neovim，但是apt安装的neovim版本很低，所以如果需要使用lazyvim，不要使用apt来安装neovim

步骤#

1. 卸载neovim#

一定要先卸载apt安装的neovim：

Terminal window

1
sudo apt remove neovim

2. 安装最新版neovim#

使用如下命令获取二进制包：

Terminal window

1
# 获取二进制包
2
wget https://github.com/neovim/neovim/releases/latest/download/nvim-linux-x86_64.tar.gz
3
# 解压到/opt目录
4
sudo tar -C /opt -xzf nvim-linux-x86_64.tar.gz
5
# 设置nvim命令别名
6
echo "alias nvim=/opt/nvim-linux-x86_64/bin/nvim" >> ~/.bashrc # 或者~/.zshrc，看你自己习惯哪个
7
source ~/.bashrc # 重新加载命令行配置
8
# 测试软件是否正常
9
nvim -v

注意，不要通过创建软链接的方式（如ln /opt/nvim-linux-x86_64/bin/nvim /usr/local/bin）来设置nvim命令，这会导致nvim找不到配置而报错。除非你连文件夹一起复制，但是这样配置就过于繁琐了。

这样，二进制包就装进了/opt目录下。如果wget命令报连不上github，请自行使用魔法或者使用镜像（如gitee、gitcode）。如果一切正常，最后的nvim -v的输出会类似下面一样

1
NVIM v0.11.5
2
Build type: Release
3
LuaJIT 2.1.1741730670
4
Run "nvim -V1 -v" for more info

3. 安装lazyvim#

按照官网的指示，安装lazyvim的步骤如下：

(1) 备份原来的配置文件#

Terminal window

1
# 必做
2
mv ~/.config/nvim{,.bak}
3

4
# 可选但建议这么做
5
mv ~/.local/share/nvim{,.bak}
6
mv ~/.local/state/nvim{,.bak}
7
mv ~/.cache/nvim{,.bak}

(2) 安装lazyvim#

以下将lazyvim安装到个人文件夹。注意，这个只对当前用户生效

Terminal window

1
# 克隆仓库
2
git clone https://github.com/LazyVim/starter ~/.config/nvim
3
# 移除官方的.git，方便后续将配置添加到自己的仓库
4
rm -rf ~/.config/nvim/.git
5
# 启动带了lazyvim的neovim
6
nvim

Matplot颜色cmap设置

Sun, 27 Apr 2025 14:56:54 GMT

在数据可视化中，颜色映射（colormap）是一个重要的概念，它可以帮助我们更好地理解数据的分布和趋势。Matplotlib提供了多种内置的颜色映射，但有时我们需要自定义颜色映射以满足特定的需求。Matplotlib内置了多种颜色映射（colormap），可以通过plt.get_cmap()函数获取。我们可以使用plt.imshow()函数来显示数据，并通过cmap参数指定颜色映射。seaborn库也提供了多种颜色映射，可以通过seaborn.color_palette()函数获取。此外，Matplotlib还支持使用ListedColormap和LinearSegmentedColormap类来自定义颜色映射。

1. 使用内置颜色映射#

1
import matplotlib.pyplot as plt
2
import numpy as np
3
import seaborn as sns
4

5
cmap1 = plt.get_cmap("viridis")  # 获取内置颜色映射
6
cmap2 = sns.color_palette("viridis", as_cmap=True)  # 获取seaborn颜色映射

2. 如何自定义颜色映射#

配色来自知乎博主阿昆的科研日常

1
import matplotlib.colors as colors
2
from matplotlib.colors import LinearSegmentedColormap
3
# 创建自定义颜色映射
4
color_Citlali=["#2A307A","#79C0F4","#F9EEF6","#D9A1C8","#AA6FB1"] # https://zhuanlan.zhihu.com/p/16319790673
5
color_Varesa=["#EA8589","#68D8C8","#F9EBBC","#453A41","#8E3C91"] # https://zhuanlan.zhihu.com/p/1889269380099048069
6
cmap_Citlali=colors.LinearSegmentedColormap.from_list("Citlali", color_Citlali)
7
cmap_Varesa=colors.LinearSegmentedColormap.from_list("Varesa", color_Varesa)

在jupyter中，直接输入cmap_Citlali或cmap_Varesa，就可以看到颜色映射的效果。

3. 使用颜色映射#

1
import matplotlib.pyplot as plt
2
import numpy as np
3
import matplotlib.colors as colors
4
import seaborn as sns

如何给matplotlib图片加上渐变背景

Sun, 27 Apr 2025 14:56:54 GMT

添加渐变背景#

有时候，我们希望在绘图时添加渐变背景，这样可以使图像更加美观。我们可以使用fig.figimage方法来添加渐变背景。fig.figimage方法可以在figure上添加一个图像，参数cmap表示颜色映射，参数resize表示是否调整大小，参数origin表示图像的原点位置。我们可以使用LinearSegmentedColormap.from_list()方法来创建一个颜色映射。

注意：如果使用fig.figimage方法添加渐变背景，必须保证绘图dpi和保存dpi一致，否则会出现背景不一致的情况。

1
from matplotlib.colors import LinearSegmentedColormap
2
fig = plt.figure(figsize=(cm(15), cm(10)),dpi=500)
3
ax = plt.gca()
4

5
# 创建自定义渐变色彩映射
6
# 斜向上，白色到蓝色渐变
7
colors = ["white", "#ffe2e2"]  # 白色到蓝色
8
cmap = LinearSegmentedColormap.from_list("custom_gradient", colors, N=255)
9

10
# 为整个figure设置渐变背景
11
# 首先根据dpi算出gradient宽度和高度
12
gradient_width=int(fig.dpi*fig.get_figwidth())
13
gradient_height=int(fig.dpi*fig.get_figheight())
14
# 然后生成斜向上的渐变（左下到右上，白到蓝）
15
gradient = np.linspace(0, 1, gradient_width)
16
gradient = np.tile(gradient, (gradient_height, 1))
17
gradient = (gradient + np.linspace(0, 1, gradient_height)[:, None]) / 2
18

19
# 将渐变设置为figure的背景
20
fig.figimage(cmap(gradient), resize=False,origin="lower")
21
# 确保坐标轴显示在渐变之上
22
ax.set_zorder(10)
23
ax.patch.set_alpha(0)  # 使坐标轴背景透明，以便看到渐变

收起展开

之后就可以加入正常的绘图代码了，加入绘图代码后的绘图结果如下所示#

使用Matplotlib画元素周期表

Fri, 25 Apr 2025 23:52:54 GMT

使用Matplotlib画元素周期表#

进行材料计算或者查询数据库时，我们有时候想了解或者想向别人展示计算或者查询的元素的分布状况，这个时候，我们可以使用元素周期表来直观地表示元素的分布状况。 pymatviz库内置了元素周期表功能，但它的文档写得很模糊，要看懂如何使用它的元素周期表功能，需要花费一段时间，反而不如直接使用Matplotlib来画元素周期表来的简单。 我们可以使用如下代码来画元素周期表：

1. 导入库并定义全局参数和函数#

1
import matplotlib.pyplot as plt
2
from pltsci import whole_plot_set, half_plot_set, set_ticks, cm

2. 定义元素周期表#

定义元素周期表的方式其实很简单，那就是使用一个二维数组来表示元素周期表。有字的位置是元素，没有字的位置是空格。然后可以使用plt.text()函数来在指定位置添加元素的名称。

1
# 元素符号二维数组，描述周期表布局
2
element_symbols = [
3
    ['H', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', 'He'],
4
    ['Li', 'Be', '', '', '', '', '', '', '', '', '', '', 'B', 'C', 'N', 'O', 'F', 'Ne'],
5
    ['Na', 'Mg', '', '', '', '', '', '', '', '', '', '', 'Al', 'Si', 'P', 'S', 'Cl', 'Ar'],
6
    ['K', 'Ca', 'Sc', 'Ti', 'V', 'Cr', 'Mn', 'Fe', 'Co', 'Ni', 'Cu', 'Zn', 'Ga', 'Ge', 'As', 'Se', 'Br', 'Kr'],
7
    ['Rb', 'Sr', 'Y', 'Zr', 'Nb', 'Mo', 'Tc', 'Ru', 'Rh', 'Pd', 'Ag', 'Cd', 'In', 'Sn', 'Sb', 'Te', 'I', 'Xe'],
8
    ['Cs', 'Ba', '*', 'Hf', 'Ta', 'W', 'Re', 'Os', 'Ir', 'Pt', 'Au', 'Hg', 'Tl', 'Pb', 'Bi', 'Po', 'At', 'Rn'],
9
    ['Fr', 'Ra', '**', 'Rf', 'Db', 'Sg', 'Bh', 'Hs', 'Mt', 'Ds', 'Rg', 'Cn', 'Nh', 'Fl', 'Mc', 'Lv', 'Ts', 'Og'],
10
    ['', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', ''],
11
    ['', '', '*', 'La', 'Ce', 'Pr', 'Nd', 'Pm', 'Sm', 'Eu', 'Gd', 'Tb', 'Dy', 'Ho', 'Er', 'Tm', 'Yb', 'Lu'],
12
    ['', '', '**', 'Ac', 'Th', 'Pa', 'U', 'Np', 'Pu', 'Am', 'Cm', 'Bk', 'Cf', 'Es', 'Fm', 'Md', 'No', 'Lr']
13
]

1
# 创建图形和轴
2
fig, ax = plt.subplots(figsize=(20*cm, 12*cm))
3
# 添加标题
4
ax.text(0.5, 1.05, 'Periodic Table', ha='center', va='center', transform=ax.transAxes, fontsize=14, fontweight='bold')
5

6
# 绘制元素周期表
7
for i, row in enumerate(element_symbols):
8
    for j, symbol in enumerate(row):
9
        if symbol and symbol not in ['*', '**']:
10
            # 计算单元格位置
11
            cell_x = j * 1.0
12
            cell_y = -i * 1.0
13
            color = '#F5F9FD'
14
            edge_color = 'grey'
15
            fontcolor = 'dimgrey'
16
            # 绘制矩形
17
            rect = Rectangle((cell_x, cell_y), 0.95, 0.95,
18
                            facecolor=color, edgecolor=edge_color, lw=1)
19
            ax.add_patch(rect)
20
            # 添加元素符号
21
            ax.text(cell_x + 0.5, cell_y + 0.6, symbol,
22
                   ha='center', va='center', fontsize=9, fontweight='bold', color=fontcolor)
23

24
# 设置轴范围和隐藏坐标轴
25
ax.set_xlim(-0.5, 18.5) # 如果你的元素周期表显示不全，请尝试修改x、y范围
26
ax.set_ylim(-9.5, 1)
27
ax.axis('off')

收起展开

结果：

vasp计算起步

Thu, 24 Apr 2025 22:05:10 GMT

面向入门记录 VASP 相关计算的起步笔记。

如何使Matplotlib绘图符合科研绘图规范

Thu, 24 Apr 2025 21:18:54 GMT

如何使Matplotlib绘图符合科研绘图规范#

Matplotlib默认的绘图看起来太“轻佻”，这篇文章是关于如何让Matplotlib绘图看起来更加符合文献中图像的样子的。

画图全局参数设置#

在科研绘图时，我们需要设置一些全局参数来保证图像的美观性和一致性。比如我们可以设置全局字体、字号、线宽、颜色等参数。全局参数使用 plt.rcParams来设置。plt.rcParams是一个字典，包含了Matplotlib的所有可配置参数。我们可以通过修改这个字典来改变全局参数。

注意：全局参数必须在 plt.plot()之前设置，否则不会生效。

我已经将常见参数打包进入库pltsci，可以直接调用，如下所示：

1
import matplotlib.pyplot as plt
2
from pltsci import whole_plot_set, half_plot_set, set_ticks, cm
3

4
whole_plot_set() # 全局参数设定，设定后对后续绘制的所有图生效
5
fig, ax = plt.subplots(figsize=(7*cm, 5*cm)) # 图形大小设定为7cm × 5cm
6
half_plot_set(ax) # 半宽图参数设定，只对ax生效

设置图片大小及dpi#

科研绘图，尤其是要用在论文中的图片，往往都有图片大小及dpi要求。图片大小就是图片的实际尺寸，matplotlib中的图片大小的默认单位是英寸(inch)，dpi是每英寸的像素点数。

如何理解图片大小及dpi#

图片大小：图片的实际尺寸。例如图片大小为7 cm x 5 cm，那么这张图片放进word中时，不进行任何修改，查看到的大小就是7 cm x 5 cm。
dpi：每英寸的像素点数。
图片像素大小：图片大小 * dpi。例如图片大小为7 cm x 5 cm，dpi为300，那么图片的像素大小就是7/2.54 * 300 x 5/2.54 * 300 = 826 x 591。
图片大小和dpi的关系：在图片像素大小固定时，图片大小和dpi是成反比的。也就是说，图片大小越大，dpi越小；图片大小越小，dpi越大。我们可以通过设置图片大小和dpi来控制图片的清晰度和文件大小。

如何设置图片大小及dpi#

我们可以使用 figsize参数来设置图片大小，使用 dpi参数来设置dpi。在科研绘图时，常用的图片大小单位是cm而非inch，因此可以通过定义转化函数进行转化。请注意，dpi设置得越大，图片越清晰，但是绘图越慢。因此可以在绘图时设置较低的dpi，保存时设置较高的dpi。注意：

如果使用 adjust_text库，可以在绘图时使用较高的dpi，这样可以提高自动调整文本位置的效果。如果设置了图片渐变背景，请务必保证绘图dpi和保存dpi一致。

1
import matplotlib.pyplot as plt
2
from pltsci import whole_plot_set, half_plot_set, set_ticks, cm
3

4
fig=plt.figure(figsize=((7*cm, 5*cm), dpi=1200)
5
fig.savefig("plot.png", dpi=1200)

设置坐标轴#

我们希望在画图时，坐标轴的范围、刻度、标签等都能符合我们的要求。我们可以使用 plt.xlim()、plt.ylim()、plt.xticks()、plt.yticks()等函数来设置坐标轴。此外，在一般的科研绘图中，我们希望坐标轴每两个主刻度之间有一个次刻度。我们可以使用 ax.yaxis.set_minor_locator(AutoMinorLocator(2))来设置次刻度的数量。AutoMinorLocator是一个自动生成次刻度的类，参数表示每两个主刻度之间有几个次刻度。我们还可以使用 ax.xaxis.set_major_locator(MaxNLocator(5))来设置主刻度的数量。MaxNLocator是一个自动生成主刻度的类，参数表示最多有几个主刻度。

但是，以上都不用记，我已经设定好了默认的坐标轴设定函数set_ticks，一行就能全部设定好。如下所示

1
import matplotlib.pyplot as plt
2
import numpy as np
3
from pltsci import whole_plot_set, half_plot_set, set_ticks, cm
4

5
whole_plot_set() # 全局参数设定，设定后对后续绘制的所有图生效
6
fig, ax = plt.subplots(figsize=(7*cm, 5*cm)) # 图形大小设定为7cm × 5cm
7
half_plot_set(ax) # 半宽图参数设定，只对ax生效
8

9
set_ticks(ax, xrange=(0, 10, 1), yrange=(-1, 1, 0.2)) # 设定坐标轴范围
10

11
# 生成数据
12
x = np.linspace(0, 10, 100)
13
y = np.sin(x)
14
# 创建图形和坐标轴
15
fig, ax = plt.subplots()
16
# 绘制曲线
17
ax.plot(x, y)
18
# 设置坐标轴标签
19
ax.set_xlabel("X-axis")
20
ax.set_ylabel("Y-axis")
21
# 设置坐标轴标题
22
ax.set_title("Title")

收起展开

开萌笔记本

使用Pymatgen计算PhaseDiagram

概述#

准备工作#

数据准备#

构建相图#

提取绘图元数据并使用matplotlib重新绘制相图#

提取绘图元数据#

定义绘图辅助函数#

使用matplotlib重新绘制相图#

图片来源记录

图片来源记录#

当前记录#

Phonopy画图示例

声子谱绘图#

导入必要的库并设置绘图参数#

设置phonopy输出的文件所在的文件夹#

计算声子谱#

得到所有声子支及其对应的频率，以及高对称点路径及其距离#

提取声子态密度数据#

画一个组合图#

yazi终端文件管理器简单教程

yazi终端文件管理器简单教程#

配置建议#

常用快捷键#

其他快捷键#

选择操作#

文件操作#

复制路径#

搜索与过滤#

搜索文件#

排序#

多标签页#

自定义配置#

自定义配置#

配置文件示例：yazi.toml#

keymap.toml 配置示例#

theme.toml 配置示例#

另见#

使用Phonopy的DFPT方法计算声子谱及热力学性质

如何使用Phonopy的DFPT计算声子谱和热力学性质#

Phonopy安装#

Phonopy的DFPT计算#

一、 准备VASP输入文件#

1. 准备POSCAR文件#

2. 设置INCAR文件#

其他文件#

二、 运行VASP计算#

三、 计算声子谱#

绘制声子谱#

计算热力学性质#

错误处理#

存在虚频#

END#

如何使用Phonopy计算Gibbs自由能

Pymatgen计算Gibbs自由能

导入必要的库#

Ubuntu上neovim和lazyvim配置

说明#

步骤#

1. 卸载neovim#

2. 安装最新版neovim#

3. 安装lazyvim#

(1) 备份原来的配置文件#

(2) 安装lazyvim#

Matplot颜色cmap设置

1. 使用内置颜色映射#

2. 如何自定义颜色映射#

3. 使用颜色映射#

如何给matplotlib图片加上渐变背景

添加渐变背景#

之后就可以加入正常的绘图代码了，加入绘图代码后的绘图结果如下所示#

使用Matplotlib画元素周期表

使用Matplotlib画元素周期表#

1. 导入库并定义全局参数和函数#

2. 定义元素周期表#

vasp计算起步

如何使Matplotlib绘图符合科研绘图规范

如何使Matplotlib绘图符合科研绘图规范#

画图全局参数设置#

一、准备VASP输入文件#

二、运行VASP计算#

三、计算声子谱#