Vad är Julia, och varför blir det Favoritprogrammeringsspråk för Data Scientists? Och vad är skillnaderna och likheterna med Python?
Vi kommer att lyfta fram Julias egenskaper med Python som referens och diskutera den verkliga potentialen i detta kommande programmeringsspråk, som håller på att bli ett viktigt verktyg för att arbeta med data men också för andra allmänna användningsområden.
Och vi låter dig också komma in hur Python och Julia fick sina namn.
Denna artikel är inte tänkt att avgöra om Julia är bättre eller sämre än Python eftersom Pythons betydelse har varit mer än bevisad under de senaste tre decennierna. Vi använder det som en referens och kontrast för att fullt ut förstå potentialen i detta nya programmeringsspråk.
Denna jämförelse kommer också att begränsas till Julias handlingsområde inom datavetenskap och maskininlärning eftersom utvecklarna nyligen har levererat paket för webbutveckling och andra områden där Python är mer än etablerat.
Python är ett av världens mest populära programmeringsspråk. Infördes 1991 och är en högnivåspråk, tolkat, allmänt, multiparadigmspråk med ett imponerande antal bibliotek och verktyg dedikerade till webb- och mjukvaruutveckling, artificiell intelligens (AI) och maskininlärning (ML). Om du vill programmera något kommer det förmodligen att vara i Python.
Utvecklare älskar Python på grund av dess kraft, mångsidighet och läsbara syntax, vilket är lätt att förstå och lära sig. Nästan 70% av utvecklarna rapporterar att de använder Python för att skapa högpresterande algoritmer i AI och ML för Natural Language Processing och sentimentanalys. Tillsammans med R, Python är det språk som valts för datavetenskap.
Pythons mångsidighet härrör från den stora mängden externa bibliotek som utvecklats av dess omfattande community av utvecklare. Inom datavetenskap förlitar sig Python på många av dessa bibliotek för att hantera matematiska och vetenskapliga funktioner. NumPy, TensorFlow, PyTorch, Pandas och Maplotlib är några av de vanligaste.
En annan övertygande anledning till att använda Python är att den stöder vanliga dataformat som CSV- och JSON-filer, och det är möjligt att interagera med SQL-tabeller.
Läs också: De sex måste-veta fördelarna med Python
Ett nytt tillskott till programmeringsspråkets universum, Julia skapades 2012 för att svara på behoven hos Data Science and Machine Learning-communityn för en snabbare, matematikinriktat språk, får sin första stabila utgåva 2018.
Med hastighet som en av sina kärnkvaliteter kombinerar Julia de bästa delarna av andra programmeringsspråk samtidigt som den får ut det mesta av modern hårdvara med samtidiga, parallella och distribuerade datorfunktioner.
Julia är ett dynamiskt programmeringsspråk på hög nivå med hög prestanda, speciellt skapat för teknisk databehandling, med en liknande syntax som Python. Det används mestadels i Maskininlärning, Datavetenskap, datautvinning, numerisk analys, och alla matematiska syften eftersom linjär algebra är en kärnfunktion i detta språk.
Julias enkelhet, höga prestanda och snabbhet är designad för att hantera komplexa datamodeller och dess säljargument. Men avtalsbrytaren för forskare är möjligheten att överföra vetenskapens formella språk till kod: Julia tillåter användning av grekiska bokstäver, vilket möjliggör direkt användning av matematiska formler i koden, istället för att översätta dessa formler till kodningsspråk.
Den Skaparens manifest, Varför vi skapade Julia, sammanfattar Julias ambitioner i ett nötskal:
”Vi vill ha något så användbart för allmän programmering som Python, lika enkelt för statistik som R, lika naturligt för strängbearbetning som Perl, lika kraftfullt för linjär algebra som Matlab, lika bra på att limma ihop program som skalet. Något som är smutsigt enkelt att lära sig men ändå håller de allvarligaste hackarna nöjda. Vi vill ha det interaktivt, och vi vill ha det sammanställt. (Nämnde vi att det borde vara lika snabbt som C?)
Läs också: R vs Python: Data Science-språkdebatten
Sådana ambitiösa mål i ett modernt programmeringsspråk kräver exceptionella funktioner. Vad skiljer Julia för att stödja dessa påståenden?
Python-användare kommer att plocka upp Julias syntax mycket snabbt. Men även om de ser ut och känner sig lika, är deras paradigmer och logik ibland mycket långt ifrån varandra. Genom att kontrastera Julia med Python kan det vara lättare för Pythonistas att förstå potentialen i detta nya språk.
Python står för närvarande högst upp i de mest populära språken för alla typer av programmeringsutveckling. Det har varit aktivt i över 30 år och har samlat en av de största utvecklargrupperna för alla språk och tillhandahåller lösningar och support för alla tänkbara situationer.
Julia har ett mindre men ändå entusiastiskt samhälle, och det mesta stödet ges fortfarande av författarna, även om antalet följare har ökat stadigt. Det finns Julia-specialiserade bloggar och en växande gemenskap spridd över många andra plattformar dela med sig av sin kunskap om hur de använder den. I skrivande stund ledde Python Tiobe Index, det mest kända månatliga popularitetsindexet för programmeringsspråk, medan Julia stod på nummer 36.
När Julia utvecklas till andra områden bortom datavetenskap kan det förutses en ökning av dess popularitet. Nyligen började språket acceptera ramar för webbutveckling, vilket kommer att utöka omfattningen av utvecklingsmöjligheter och följaktligen antalet utvecklare som arbetar med det.
Nu, frågan du längtat efter att få svar sedan du började läsa detta.
Namnet ”Python” härstammar från ”Monty Python's Flying Circus”, den legendariska BBC-komedieserien från 1970-talet. Guido van Rossum läste showens publicerade skript när han började utveckla detta nya kodningsspråk och tyckte att det var ett bra namn. Python är dock helt klart inget nonsens, till skillnad från dess namngivare.
Julias namn är inte inspirerat av något särskilt. Någon föreslog det en gång under en avslappnad konversation till Alan Edelman som ett bra namn för ett programmeringsspråk. Edelman tänkte det också.
Julia designades speciellt för data och uppvisar en matematikvänlig syntax. Å andra sidan skapades Python med ett annat syfte i åtanke. När det blev populärt och utvidgades till ett bredare utbud av användningsområden blev det också ett programmeringsspråk för datavetenskap. Matematik är Julias kärna; Python behöver ett externt bibliotek som NumPy för statistiskt arbete.
Samma skäl gäller i ML. Skaparna av Julia ville ha ett kraftfullt, snabbt programmeringsspråk för maskininlärning, så de gjorde det möjligt att stödja linjär algebra och alla ekvationer som krävs för att utveckla arbete inom detta område. Python kan hantera matematikorienterade uppgifter via NumPy, men detta är inte en inbyggd funktion i språket.
Julia kan integrera kod från Python eller C och även använda sina bibliotek. Kod skriven på dessa språk kan konverteras till Julia, medan motsatsen inte är möjligt. Julia kan också ansluta direkt till Python och dela data mellan båda språken.
Hastighet är en funktion av design i Julia. Det är så snabbt att det bara slås av C. Python är mångsidig, kraftfull men långsammare, mest för att det är ett tolkat språk.
Detta leder oss till en av de största skillnaderna mellan Python och Julia. Python är ett tolkat språk, vilket innebär att programmet går igenom en tolk som konverterar det till bytecode, för att sedan köras av en virtuell maskin. Julia kompileras vid körning genom LLVM, vilket förbättrar utvecklings- och distributionshastigheten.
Python och Julia är dynamiskt skrivna och mycket lätta att skriva och förstå. Båda språken har liknande syntaxer men presenterar några
anmärkningsvärda skillnader som kan utforskas i Julias dokumentation med mer detalj.
Den största skillnaden i båda syntaxerna är att Julia är mer matematikvänlig och lockar datavetare som kan använda sina vetenskapliga formler som kod och behöver färre hårdvaruresurser för att uppnå högpresterande datorresultat.
Python är ett allmänt språk, så det saknar vissa kärnfunktioner som tillgodoser detta samhälle, kompenserat av den stora mängden bibliotek som gör programmering av högpresterande algoritmer till en enkel uppgift.
Så här står Julia och Python mot varandra.
Är Julia bättre än Python? Julia erbjuder överlägsen prestanda för numerisk och vetenskaplig beräkning och har inbyggd parallellitet, vilket gör den utmärkt för tunga beräkningar. Python har ett stort ekosystem av bibliotek och ett stort samhälle. Det bättre valet beror på den specifika uppgiften och projektkraven.
Julia är ett specialiserat språk, mestadels används av en nischgemenskap. När utvecklare och community utökar Julias funktioner och omfattning kommer det sannolikt att bli ett populärt, efterfrågat språk.
Python är ett moget språk med miljontals användare och fler tredjepartspaket än vi kan räkna. Det tillämpas överallt, från spel till datavetenskap. Python är ett av de grundläggande språken i varje utvecklares läroplan, och det kommer inte att ersättas när som helst snart eftersom nya språk alltid hittar ett sätt att integrera med det.
Är Julia värt att lära sig? Ja, särskilt om du arbetar med datamodeller. Mängden information som produceras idag kräver ett kraftfullt språk som Julia, som kan arbeta med komplexa modeller snabbare. Julia används redan i finansiell analys och klimatdata, och utvecklare hittar alltid nya sätt att använda sina superkrafter i nya applikationer.
Det finns mycket mer Julia kan göra, med nya funktioner som läggs till i varje ny version som utökar dess användningsområde.
Och om du vill lära hur man programmerar i Julia, det finns en gratis kurs på YouTube för nervösa nybörjare.
Innehållsförfattare och digital medieproducent med intresse för det symbiotiska förhållandet mellan teknik och samhälle. Böcker, musik, och gitarrer är en konstant.
Människor som läste det här inlägget tyckte också att dessa var intressanta:
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
