4. 材料数据库入门：Materials Project、OQMD、AFLOW等公共数据库介绍、API申请与使用、数据下载与预处理

做材料基因工程，说白了就是跟数据打交道。你想想看，没有数据，什么高通量计算、机器学习，全是空中楼阁。我个人习惯，拿到一个新课题，第一件事不是跑计算，而是先去数据库里翻一翻——看看有没有现成的数据能用。

今天咱们就聊聊几个主流的公共材料数据库。我会结合自己踩过的坑，手把手教你申请API、下载数据、做预处理。嗯，这里要注意，每个数据库的脾气都不一样，得顺着来。

4.1 三大主流公共数据库概览

目前学术界用得最多的，就是这三个：Materials Project、OQMD、AFLOW。我当年刚入行时，三个都试了一遍，最后发现各有千秋。

数据库	全称	数据量	特点	我的评价
Materials Project	Materials Project	~15万种材料	界面友好，API成熟，社区活跃	新手首选，文档最全
OQMD	Open Quantum Materials Database	~100万种材料	数据量大，侧重相图	做相图分析时我常用它
AFLOW	Automatic FLOW for Materials Discovery	~300万种材料	自动化流程，数据标准化好	数据量大但检索稍慢

4.2 Materials Project：入门与API申请

Materials Project（简称MP）是劳伦斯伯克利国家实验室搞的。我个人觉得，它最大的优点是——文档写得像教科书一样清楚。

4.2.1 注册与API密钥申请

步骤其实很简单：

1. 访问 materialsproject.org，用邮箱注册
2. 登录后，点右上角头像 → "API"
3. 生成你的API密钥（一串长字符串）
4. 复制保存好，丢了就得重新生成

4.2.2 使用Python调用MP API

MP官方提供了Python包 pymatgen，用起来非常顺手。我一般这样写：

# 安装：pip install pymatgen

from pymatgen.ext.matproj import MPRester

# 建议用环境变量读取API密钥
import os
API_KEY = os.getenv("MP_API_KEY")

with MPRester(API_KEY) as mpr:
    # 查询二氧化钛的所有结构
    structures = mpr.get_structures("TiO2")
    print(f"找到 {len(structures)} 个TiO2结构")
    
    # 获取具体材料的能带信息
    bandgap = mpr.get_bandgap_by_material_id("mp-1234")
    print(f"带隙: {bandgap} eV")

你看，代码就这么几行。但有个坑——API有频率限制。我刚开始做批量查询时，一口气发了上千个请求，结果直接被封了24小时。后来学乖了，每次请求之间加个 time.sleep(0.5)。

4.3 OQMD：相图数据的宝库

OQMD是西北大学搞的。它的特点是数据量大，尤其擅长相图计算。我做合金设计时，经常去OQMD拉数据。

4.3.1 OQMD的API使用

OQMD的API稍微原始一点，没有MP那么优雅。但功能一样强大：

import requests
import json

# OQMD的RESTful API
base_url = "http://oqmd.org/oqmdapi"

# 查询Fe2O3的稳定性
response = requests.get(
    f"{base_url}/composition/Fe2O3",
    params={"stability": "true"}
)

if response.status_code == 200:
    data = response.json()
    print(f"Fe2O3的稳定性数据: {data}")
else:
    print(f"请求失败: {response.status_code}")

4.4 AFLOW：自动化高通量数据的标杆

AFLOW是杜克大学搞的。它的数据量最大，而且所有数据都经过标准化的自动化流程处理。说白了，就是数据质量比较一致，不会出现「这个结构用这个参数算，那个结构用那个参数算」的情况。

4.4.1 AFLOW的数据下载方式

AFLOW支持两种方式：RESTful API和直接下载压缩包。我个人更推荐后者——如果你要下载大量数据的话。

# 使用aflow库（需要安装：pip install aflow）
from aflow import K

# 查询所有含Au的二元合金
entries = K(
    "species(Au)",
    "stoichiometry(2)",
    "catalog(icsd)"
).search()

print(f"找到 {len(entries)} 个含Au的二元合金")
for entry in entries[:5]:
    print(f"材料: {entry.compound}, 空间群: {entry.spacegroup}")

4.5 数据下载与预处理实战

数据拿到手，不等于就能直接用。我见过太多人，从数据库拉了一堆数据，然后直接扔进机器学习模型——结果一塌糊涂。为什么？因为数据没洗干净。

4.5.1 数据清洗的常见问题

• 缺失值处理：有些材料的带隙是空的，或者弹性常数只有部分值。我一般会直接剔除缺失严重的条目，或者用插值填充。
• 单位统一：不同数据库的单位可能不一样。MP用eV，OQMD用kJ/mol。一定要统一。
• 结构去重：同一个材料，不同数据库可能存了多个版本。需要根据空间群和晶格参数去重。

4.5.2 一个完整的预处理流程

下面是我常用的一个预处理脚本框架：

import pandas as pd
import numpy as np
from pymatgen.core import Structure

def preprocess_materials_data(raw_data):
    """
    材料数据预处理流水线
    """
    df = pd.DataFrame(raw_data)
    
    # 1. 剔除缺失关键字段的数据
    required_cols = ['band_gap', 'formation_energy', 'structure']
    df = df.dropna(subset=required_cols)
    
    # 2. 单位转换：如果能量单位是kJ/mol，转为eV/atom
    if 'energy_unit' in df.columns and df['energy_unit'].iloc[0] == 'kJ/mol':
        df['formation_energy'] = df['formation_energy'] / 96.485
    
    # 3. 提取结构特征
    def extract_features(structure_dict):
        struct = Structure.from_dict(structure_dict)
        return {
            'volume': struct.volume,
            'density': struct.density,
            'num_sites': struct.num_sites
        }
    
    features = df['structure'].apply(extract_features)
    df = pd.concat([df, features.apply(pd.Series)], axis=1)
    
    # 4. 去重：基于化学式和空间群
    df = df.drop_duplicates(subset=['formula', 'spacegroup'])
    
    return df

# 使用示例
clean_data = preprocess_materials_data(raw_data)
print(f"清洗前: {len(raw_data)} 条, 清洗后: {len(clean_data)} 条")

4.6 本章知识体系

下面这张图，是我自己总结的「材料数据库使用流程」。你照着这个思路走，基本不会迷路。

这张图把整个流程串起来了。你从左上角开始，先选数据库，然后申请API，下载数据，最后做预处理。每一步都有坑，但只要你按部就班来，就不会出大问题。

---