作者：尹华杰
来源：跨科
ID：gh_8e414a2cbe23
步入“大数据"时代，数据分析能力在科学研究、工程、金融、经济、新闻和许多其他领域都显得越来越重要。Python以其高度可访问性和充满活力的生态系统，成为数据科学领域最受欢迎的开源语言之一。
Python于1980年代后期由Guido van Rossum创建，有趣的是，它最初并不是为科学计算而设计的。由于Python的解释性，速度比低级语言慢，而后者（如C 或Fortran）更适合数字运算和复杂数学算法的有效实现。然而，低级语言不易使用，通常需要计算机的高等知识。1990年代后期科学家尝试将低级语言的优点引入Python，在保留其便利性的同时，大大提高了Python的计算性能。近二十年来，许多优秀的Python库被开发出来，并得到了广泛应用，比如：
NumPy，提供一种实用的数组数据结构
SciPy，用于科学计算
matplotlib，图形绘画
pandas，数据分析与统计
scikit-learn，机器学习
Sympy，符号计算
Jupyter/IPython，交互式计算的高效接口
除了丰富的库，Python免费、开源的特点，使它从竞争对手中脱颖而出，在数据科学领域占有一席之地。MathWorks公司开发的MATLAB软件，专注数值计算，广泛应用于科学研究和工程领域。SPSS是IBM公司的一款商业软件，用于统计分析。但是MATLAB和SPSS都需要购买许可证。
众所周知，在材料科学领域，有关材料结构、性能的数据不断增长。截至2020年，ICSD（Inorganic Crystal Structure Database，无机晶体结构数据库）包含大约20万种晶体结构。PDB（Protein Data Bank，蛋白质数据库）收录了超过13万组大型生物分子（如蛋白质和核酸）的三维结构数据。类似的数据库还在不断地完善中。值得注意的是，与其他领域（如生物学、化学）的数据库建设相比，材料实验数据在数量和质量方面都相对滞后。
随着第一性原理计算的发展，这一情况在近二十年里大有改善。通过引入近似或假设的方法来修正计算结果，从理论上来说，任何材料的性能都可以通过第一性原理进行合理预测。随着算力的不断增强，以及自动化对计算材料科学软件使用的简化，人们可以更高效地获取大量材料数据。最近十年，出现了一批大型的材料数据库，比如OQMD（Open Quantum Materials Database，开放式量子材料数据库）、Aflow（Automatic FLOW for Materials Discovery）材料数据库等等。总的来说，通过计算生成了大量材料数据，它们可靠且相对准确，同传统的实验数据一起，为材料数据库的建设添砖加瓦，使数据科学技术在材料科学领域有了用武之地。
