开萌笔记本

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

使用Pymatgen计算PhaseDiagram

Wed, 28 Jan 2026 10:59:05 GMT

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

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

展开收起

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')

展开收起

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")

展开收起

开萌笔记本

图片来源记录

图片来源记录#

当前记录#

使用Pymatgen计算PhaseDiagram

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#

设置图片大小及dpi#

如何理解图片大小及dpi#

如何设置图片大小及dpi#

设置坐标轴#

绘图结果#