大佬 Python 对阵新秀 Julia ，谁能问鼎机器学习和数据科学？

点击上方“CSDN”，选择“置顶公众号”

关键时刻，第一时间送达！

【CSDN 编者按】在数据科学领域，你最常用的编程语言是哪种？对此，不同职业背景下的开发者答案各尽不同，一般来说，Python 和 R 语言是需要重点掌握的，但是如今有一枝独秀悄然而至，其创作理念是像 Python 一样通用、像 R 语言一样适用于统计、像 Perl 一样适用于字符串处理、像线性代数 Matlab 一样强大、像 Shell 一样擅长粘合程序，且可以像 C 语言一样高效，它的名字叫做——Julia。如今，在面对 Python 俨然已成为数据科学和机器学习领域的中流砥柱的窘境之下，Julia 以何种优势与之抗衡，接下来，本文将带你一探究竟。

以下为译文：

在 Python 涵盖的众多领域中，数据分析应当是应用最广同时最为重要的。Python 通过加载大量的库、工具和应用程序，使得科学计算和数据分析工作变得快速便捷。

Julia 语言(https://julialang.org/) 专门针对科学计算、机器学习、数据挖掘、大规模线性代数、分布式和并行计算，在 Julia 的使用者眼里，Python 不够快也不够方便。此消彼长，当它擅长某一项工作时，肯定会忽略其他部分。

Julia 语言简介

Julia 由一个四人组成的团队于 2009 年创建，在 2012 年正式对外发布，旨在解决用于科学计算和数据处理的编程语言（比如 Python）和应用程序的缺陷。团队成员追求完美和极致，他们表示：

我们需要一个开放源码且拥有自由许可证的语言。我们希望兼具 C 语言的速度与 Ruby 的动态性。我们希望编程语言具有同像性，既有 Lisp 这样真正的宏，又有 Matlab 这样带有明显的、为人熟知的数学符号。我们希望它像 Python 一样可以用于一般编程，又像 R 语言一样适用于统计学，能够像 Perl 那样自然地用于字符串处理，就可以像 Matlab 那样强力支持线性代数，此外还能像 shell 一样做程序的粘合剂。它能够让初学者轻松入门，又能给资深开发者提供高级特性。我们希望它具有很强的交互性，同时又属于编译型语言。

为了实现这些想法，Julia 遵循了如下策略：

• 为了更快的速度，定义为编译型语言，而不是解释型。Julia 使用 LLVM 编译器框架进行即时编译（JIT）。在某些情况下，Julia 可以接近甚至达到 C 语言的速度。

• 采用直接但有用的语法。Julia 语法的简洁程度可以与 Python 媲美，虽然简洁，但是表现力很强。

• 动态类型。你可以指定变量的类型，如“无符号的32位整数”。但是，你也可以创建类型的层次结构以允许处理特定类型变量，例如编写一个接受整数的函数，通常不指定整数长度。最后如果在特定的上下文中不需要，你可以不用完全输入。

• 可以调用 Python、C 和 Fortran 编写的库。Julia 可以直接调用 C 语言和 Fortran 编写的外部库。也可以通过 PyCall 库与 Python 代码进行交互，此外， Python 和 Julia 之间的数据可以共享。

• 元编程。Julia 程序可以生成其他的 Julia 程序，甚至可以修改自己的代码，就像 Lisp 这样的语言一样。

Julia 相比 Python 的优势

Julia 从一开始就是为科学和数值计算而设计的。因此，Julia 在此领域具有众多优点也就不足为奇。它的优点如下：

• 速度更快。Julia 的 JIT 编译和类型声明意味着它可以比“纯粹的”、未被优化的 Python 快几个数量级。虽然 Python 可以通过 PyPy 或者 Cython 等方式进行速度优化，但 Julia 从设计之初就具有天然的速度优势。

• 友好的数学语法。Julia 的主要目标受众是科学计算语言和 Matlab、R、Mathematica、Octave 等环境的用户。Julia 的数学运算语法看起来更像计算机世界之外的普通数学公式，它使得非程序员很容易掌握。

• 自动内存管理。像 Python 一样，Julia 不需要用户太多关注分配和释放内存的细节，它提供了一些针对垃圾回收的手动控制方法。这样的好处在于，假设你从 Python 转投 Julia，你依然可以享有 Python 一样的便利。

• 并行性。只有充分利用机器上可用的全部资源（特别是多核），数学和科学计算领域才能够蓬勃发展。Python 和 Julia 都支持并行运算。但是，在并行计算方面，Julia 的语法比 Python 更简单，这样就降低了并行运算的使用门槛，使其能够得到更广泛的应用。

Python 相比 Julia 的优势

Python 是一种易于学习的通用计算语言，已经发展成为科学计算领域的主力军。Python 之所以能够在数据科学领域占据重要地位，得益于它的下列优势：

• Julia 数组索引从 1 开始。Julia 的这个特性表面上看问题不大，但是我们不能排除它潜在的风险。在大多数语言中，包括 Python 和 C 语言，数组的第一个元素通常用 0 来访问，例如，string[0] 表示 Python 字符串中的第一个字符。但是 Julia 则使用 1 作为数组中的第一个元素，它这样做的原因是为了迎合一些数学和科学应用（比如Mathematica）的用户。虽然默认情况下 Julia 采用1索引，但是可以通过其他手段(https://docs.julialang.org/en/latest/devdocs/offset-arrays/) 让其支持 0 索引，毕竟用 1 作为第一个元素索引的方式违背程序员的编程习惯。

• Julia 还很年轻。Julia 语言自2009年以来一直处在开发阶段，并且一路上增减了多种功能。尽管开发者一直宣称开发接近尾声(https://github.com/JuliaLang/julia/milestone/4)，但实际上它仍然没有发布1.0版本。

• Python 拥有更丰富的第三方软件包。Python 数量庞大且实用的第三方软件包是它能够吸引大量开发者的杀手锏。而年轻的 Julia 语言的生态系统稍显薄弱，它使用了很多现有的 C 和 Python 库，但是开发 Julia 自己软件包的任务依然迫在眉睫。

• Python 具有庞大的社区优势。如果编程语言没有一个强大、活跃的社区支持，那么它的根基是不扎实的。Python 现在正拥有着一个强大的社区。虽然 Julia 的社区发展迅猛，但是和 Python 社区的规模相比依然不值一提。

总结

一个是经过 8 年开发的新秀 Julia，一个是圈内公认的标榜 Python，两种编程语言在数据科学领域各有千秋，综合以上的优劣对比，你会更倾向选择哪种编程语言入门呢？

原文：Julia vs. Python: Julia language rises for data science

链接：https://www.infoworld.com/article/3241107/python/julia-vs-python-julia-language-rises-for-data-science.html

作者：Serdar Yegulalp

译者：安翔

责编：苏宓