害（haì）！Python不香了？Julia大法好？-CSDN博客

配图来自pexels

近几年，由MIT CSAIL 实验室开发的编程语言Julia已然成为编程界的新宠，尤其是在学科计算领域。最近一篇标题为Bye-bye Python. Hello Julia! 的文章，引起热议。这里，借用作者文中的一句话：

Python 仍然非常流行。但是，如果你现在开始学习 Julia，它将来可能就是你的头等舱船票。

据说，Julia关于生物工程，机器学习，数值优化的一些库，也有很多国内开发者参与和主导着，其热度大有取代Python和R之势。

那么，Julia到底好在哪里？

与Python和R相比，他的性能到底强在哪？

编程语言的进化——Julia的贪婪

开发者在创建一门新语言，基本上遵循以下原则，既要保留旧语言的长处，又要修复其中的缺陷。基于这个理念，Guido van Rossum 在 1980 年代后期创建了 Python，作为 ABC 的改进和替代。同样的，Julia团队也希望遵循这样的原则，但较比Python的设计初衷，Julia显得更贪婪。

Julia 语言的缔造者们对它的期望是这样的：

程序运行速度像 C 语言；
通用性像 Python 语言；
动态语言特性像 Ruby 语言；
统计分析便利性像 R 语言；
字符串处理便捷性像 Perl 语言；
线性代数运算能力像 MATLAB 语言；
元编程能力像 Lisp 语言；
操作系统的能力像 Shell 语言。

你看到这些之后也许会想：他们是不是疯了！这怎么可能？！不要太惊讶，从他们在 2018 年 8 月发布的 Julia 1.0 版本来看，上述期望还真在很大程度上实现了！虽然 Julia 这门语言至今还在被不断地改进和完善。但是从那时起，它已经相当成熟了。在科学计算、数据分析、机器学习、数学规划、数值优化等领域，它的应用已经相当广泛了，尤其是在科研机构和学术界当中。而在工程界，使用它的公司也越来越多了。

Julia大法的魔力

1.速度上的绝对优势

2017 年，Julia 加入了 Petaflop 俱乐部——这是一个小型编程语言俱乐部，其中的成员都能实现超过千万亿次每秒的峰值计算性能。除了 Julia，目前只有 C、C++ 和 Fortran 是这个俱乐部的成员。

但如果只从运行速度快慢的角度来说明Julia的绝对优势，这种说法有失偏颇。说到底，速度的快慢取决于具体的执行指令，高级语言只能尽量提供优化的可能性。

2.代码转换一把梭

不懂任何Julia命令，涉及团队协作，你不仅可以在Julia 中使用 Python 和 C 代码，同时也可以在 Python 中使用 Julia。这样一来，开发人员就能轻松修补自己 Python 代码的缺陷。或者在学习 Julia 的过程中依旧保持生产力水平。

3.动态和静态类型

Python 是 100％动态类型的。这意味着程序将在运行时确定变量是浮点数还是整数。尽管这对初学者来说非常友好，但它也引入了许多潜在的错误。这意味着你需要在所有可能的场景中测试 Python 代码——这个过程相当笨拙，需要花费大量时间。

Julia在设计之初就考虑如何让其利用现代的技术去高效加速动态语言。从结果上来看Julia在提供了像Python，Lisp，Ruby这样交互式编程和动态性的同时，也有着静态编译语言一般的性能——比如 C 或 Fortran 中的那些形式。

如何入门Julia？

较比python，Julia社区非常小，这也就以为意味着，需要初学者去深入挖掘找到答案，或仔细研究官方文档。但因为Julia 语言中的官方文档对编程初学者并不是那么的友好，关于broadcasting，写的综合性太强，不容易理解，阅读的门槛有点高。

这里重点推荐郝林老师的新书《Julia编程基础》，这本书不同程度上解决“Julia阅读门槛高”的问题，从安装编程环境讲起，详细解析了 Julia的基础特性，结合一些实际操作示例的演示，降低了你的学习门槛，用到相关知识点，直接翻书查阅，可以作为学习Julia人手必备的“索引工具书”。