Python库的多样性使得它们可以在不同的应用场景中发挥作用，不同场景下同一个库可能拥有不同的功能，本系列未来会有不同的分类，可能会出现相同的库。数量很多，慢慢整理。文中的示例都是最基础的用法，有些就顺手写了，有些就丢给Ai，看个乐就行。
1. Lammps – 分子动力学模拟
功能: LAMMPS（Large-scale Atomic/Molecular Massively Parallel Simulator）是一个用于分子动力学模拟的开源软件，广泛应用于材料科学、化学和生物学。
使用场景:
- 模拟材料的力学、热力学和动力学性质。
- 研究蛋白质折叠、聚合物动力学等生物分子系统。
- 模拟复杂流体和纳米尺度的物理现象。
示例:
from lammps import lammps
# 初始化 LAMMPS
lmp = lammps()
# 读取输入脚本
lmp.file("in.lammps")
# 运行模拟
lmp.command("run 1000")
# 关闭 LAMMPS
lmp.close()
2. AMUSE – 天文模拟工具
功能: AMUSE（Astrophysical Multipurpose Software Environment）是一个用于天文学和天体物理学模拟的框架，集成了多种模拟代码。
使用场景:
- 模拟星系形成、星团演化等天体物理过程。
- 气体动力学和恒星动力学模拟。
- 多尺度天文模拟的集成和管理。
示例:
from amuse.lab import * # 创建一个简单的恒星系统 stars = new_plummer_model(100) # 设置初始条件 stars.mass = 1 | units.MSun stars.position += [100, 100, 100] | units.parsec # 运行模拟 converter = nbody_system.nbody_to_si(1 | units.MSun, 1 | units.parsec) gravity = Hermite(converter) gravity.particles.add_particles(stars) channel_from_gravity_to_framework = gravity.particles.new_channel_to(stars) for i in range(100): gravity.evolve_model(1 | units.Myr) channel_from_gravity_to_framework.copy() # 打印结果 print(stars.position)
3. Astropy – 天文学数据分析
功能: Astropy 是一个用于天文学的 Python 库，提供了丰富的功能来处理、分析和可视化天文数据。
使用场景:
- 天文学数据的处理和分析。
- 天体坐标转换、时间系统处理。
- 光谱、图像处理和天文统计。
示例:
from astropy import units as u
from astropy.coordinates import SkyCoord
# 创建一个天体坐标
c = SkyCoord(ra=10.68458 * u.degree, dec=41.26917 * u.degree, frame='icrs')
# 转换到银道坐标
gal = c.galactic
print(f"Galactic Coordinates: l={gal.l}, b={gal.b}")
4. OpenMM – 分子动力学库
功能: OpenMM 是一个高性能的分子动力学模拟库，支持GPU加速。
使用场景:
- 生物分子系统的模拟，如蛋白质、DNA。
- 药物设计和分子对接。
- 材料科学中的分子动力学研究。
示例:
from simtk.openmm import app
from simtk.openmm import *
from simtk.unit import *
# 加载 PDB 文件
pdb = app.PDBFile('protein.pdb')
# 创建系统
forcefield = app.ForceField('amber99sb.xml')
system = forcefield.createSystem(pdb.topology, nonbondedMethod=app.PME, nonbondedCutoff=1*nanometer, constraints=app.HBonds)
# 设置模拟参数
integrator = LangevinIntegrator(300*kelvin, 1/picosecond, 0.002*picoseconds)
simulation = app.Simulation(pdb.topology, system, integrator)
# 设置初始位置
simulation.context.setPositions(pdb.positions)
# 最小化能量
simulation.minimizeEnergy()
# 运行模拟
simulation.step(1000)
# 获取结果
state = simulation.context.getState(getPositions=True, getEnergy=True)
print(state.getPotentialEnergy())
5. Pint – 单位和物理量的计算
功能: Pint 是一个用于处理物理单位和量纲的库，确保计算中的单位一致性。
使用场景:
- 科学计算中确保单位的正确性。
- 工程领域中的单位转换和计算。
- 教育和教学中的物理量处理。
示例:
from pint import UnitRegistry
ureg = UnitRegistry()
# 定义量
distance = 100 * ureg.meters
time = 2 * ureg.seconds
# 计算速度
speed = distance / time
print(f"Speed: {speed:.2f}")
6. Phonopy – 声子谱分析
功能: Phonopy 是一个用于计算声子谱和相关物理属性的工具。
使用场景:
- 材料科学中的声子计算。
- 研究材料的热导率、比热容等热力学性质。
- 模拟材料的振动特性和相变。
示例:
from phonopy import Phonopy
from phonopy.interface.vasp import read_vasp
# 读取结构
unitcell = read_vasp("POSCAR")
# 创建 Phonopy 对象
phonon = Phonopy(unitcell, supercell_matrix=[[2, 0, 0], [0, 2, 0], [0, 0, 2]], primitive_matrix='auto')
# 设置参数
phonon.set_force_constants(phonopy_yaml_filename="phonopy_params.yaml")
# 计算声子谱
phonon.run_qpoints_mesh([20, 20, 20])
# 获取结果
qpoints, weights, frequencies, eigenvectors = phonon.get_qpoints_mesh()
print(frequencies)
7. MDTraj – 分子动力学轨迹分析
功能: MDTraj 是一个用于分析分子动力学模拟轨迹的库，支持多种轨迹格式。
使用场景:
- 分析分子动力学模拟结果。
- 计算分子结构、动力学性质。
- 分子对接和药物发现中的轨迹分析。
示例:
import mdtraj as md
# 加载轨迹
traj = md.load('trajectory.xtc', top='topology.pdb')
# 计算 RMSD
rmsd = md.rmsd(traj, traj[0])
# 打印 RMSD
print(rmsd)
8. GPAW – 密度泛函理论库
功能: GPAW 是一个基于 Python 的密度泛函理论（DFT）计算库，支持多种计算方法。
使用场景:
- 电子结构计算。
- 材料科学中的量子化学模拟。
- 研究材料的电子、磁性和光学性质。
示例:
from gpaw import GPAW, PW
from ase.build import molecule
# 创建一个分子
atoms = molecule('H2O')
# 初始化计算
calc = GPAW(mode=PW(300), xc='PBE', kpts=(1, 1, 1))
# 设置计算
atoms.set_calculator(calc)
# 执行计算
energy = atoms.get_potential_energy()
print(f"Total energy: {energy} eV")
9. DeepChem – 深度化学库
功能: DeepChem 是一个用于深度学习在化学和药物发现中的应用的库，提供多种模型和工具。
使用场景:
- 分子性质预测。
- 药物发现和优化。
- 化学反应预测和材料设计。
示例:
import deepchem as dc # 加载数据集 tasks, datasets, transformers = dc.molnet.load_tox21() # 创建模型 model = dc.models.GraphConvModel(n_tasks=len(tasks), mode='classification', dropout=0.2) # 训练模型 model.fit(datasets[0]) # 预测 predictions = model.predict(datasets[1]) print(predictions)
10. Py3Dmol – 分子可视化
功能: Py3Dmol 是基于 3Dmol.js 的 Python 包装器，用于在 Jupyter 笔记本中进行分子可视化。
使用场景:
- 分子结构的3D展示。
- 教育和教学中的化学分子展示。
- 药物设计中的分子结构分析。
示例:
import py3Dmol
# 创建一个视图
view = py3Dmol.view()
# 添加分子
view.addModel("O", "sdf")
# 设置样式
view.setStyle({'stick':{}})
view.zoomTo()
view.show()