Python 对阵新秀 Julia，谁能问鼎机器学习和数据科学？

　　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。