Mezi mnoha případy použití, které Python pokrývá, se analýza dat stala možná největší a nejvýznamnější. Ekosystém Pythonu je nabitý knihovnami, nástroji a aplikacemi, díky nimž je práce s vědeckými výpočty a analýzou dat rychlá a pohodlná.
Ale pro vývojáře stojící za jazykem Julia - zaměřené konkrétně na „vědecké výpočty, strojové učení, dolování dat, rozsáhlou lineární algebru, distribuované a paralelní výpočty“ - Python není rychlý ani pohodlný dost. Julia si klade za cíl poskytnout vědcům a analytikům dat nejen rychlý a pohodlný vývoj, ale také ohromnou rychlost provádění.
Co je to jazyk Julia?
Julia, vytvořená v roce 2009 týmem čtyř osob a představená veřejnosti v roce 2012, má řešit nedostatky v Pythonu a dalších jazycích a aplikacích používaných pro vědecké výpočty a zpracování dat. "Jsme chamtiví," napsali. Chtěli víc:
Chceme jazyk, který je otevřeným zdrojovým kódem s liberální licencí. Chceme rychlost C s dynamikou Ruby. Chceme jazyk, který je homoikonický, se skutečnými makry, jako je Lisp, ale se zjevnou známou matematickou notací jako Matlab. Chceme něco tak použitelného pro obecné programování jako Python, stejně snadné pro statistiky jako R, stejně přirozené pro zpracování řetězců jako Perl, stejně tak výkonné pro lineární algebru jako Matlab, stejně dobré při lepení programů dohromady jako shell. Něco, čemu se dá snadno naučit špínu, ale přesto potěší i ty nejzávažnější hackery. Chceme to interaktivní a chceme to zkompilovat.
(Zmínili jsme, že by to mělo být stejně rychlé jako C?)
Zde jsou některé ze způsobů, jak Julia realizuje tyto aspirace:
- Julia je kompilována, není interpretována. Pro rychlejší běhový výkon je Julia just-in-time (JIT) kompilována pomocí rámce kompilátoru LLVM. V nejlepším případě se Julia může přiblížit nebo vyrovnat rychlost C.
- Julia je interaktivní. Julia obsahuje REPL (read-eval-print loop) nebo interaktivní příkazový řádek, podobný tomu, co nabízí Python. Rychlé jednorázové skripty a příkazy lze vrazit přímo dovnitř.
- Julia má přímou syntaxi. Juliaina syntaxe je podobná Pythonově - stručná, ale také expresivní a silná.
- Julia kombinuje výhody dynamického a statického psaní. Můžete určit typy proměnných, například „32bitové celé číslo bez znaménka“. Můžete ale také vytvořit hierarchie typů, které umožní obecné případy zpracování proměnných konkrétních typů - například napsat funkci, která přijímá celá čísla bez zadání délky nebo podpisu celého čísla. Můžete to udělat i bez úplného psaní, pokud to v konkrétním kontextu není potřeba.
- Julia může volat knihovny Python, C a Fortran. Julia může komunikovat přímo s externími knihovnami napsanými v jazycích C a Fortran. Je také možné komunikovat s kódem Pythonu prostřednictvím knihovny PyCall a dokonce sdílet data mezi Pythonem a Julií.
- Julia podporuje metaprogramování. Programy Julia mohou generovat další programy Julia a dokonce upravovat vlastní kód způsobem, který připomíná jazyky jako Lisp.
- Julia má plně vybavený debugger. Julia 1.1 představila ladicí sadu, která provádí kód v místním REPL a umožňuje vám procházet výsledky, kontrolovat proměnné a přidávat zarážky do kódu. Můžete dokonce provádět jemnozrnné úkoly, jako je procházení funkcí generovaných kódem.
Související video: Jak Python usnadňuje programování
Perfektní pro IT, Python zjednodušuje mnoho druhů práce, od automatizace systému až po práci v nejmodernějších oborech, jako je strojové učení.
Julia vs. Python: Výhody jazyka Julia
Julia byla od začátku navržena pro vědecké a numerické výpočty. Není tedy žádným překvapením, že Julia má mnoho funkcí výhodných pro takové případy použití:
- Julia je rychlá. Juliina kompilace JIT a deklarace typů znamenají, že může běžně porazit „čistý“, neoptimalizovaný Python řádově. Python může být vyrobeno rychlejší prostřednictvím externích knihoven, překladačů JIT třetích stran (PyPy) a optimalizací pomocí nástrojů, jako je Cython, ale Julia je navržena tak, aby byla rychlejší přímo z brány.
- Julia má matematickou syntaxi. Hlavním cílovým publikem pro Julii jsou uživatelé vědeckých výpočetních jazyků a prostředí jako Matlab, R, Mathematica a Octave. Juliina syntaxe pro matematické operace vypadá spíše jako způsob, jakým jsou matematické vzorce psány mimo počítačový svět, což neprogramátorům usnadňuje pokračování.
- Julia má automatickou správu paměti. Stejně jako Python nezatěžuje Julia uživatele podrobnostmi o přidělování a uvolňování paměti a poskytuje určitou míru ruční kontroly nad sběrem odpadu. Myšlenka je, že pokud přejdete na Julii, neztratíte jednu z běžných vymožeností Pythonu.
- Julia nabízí vynikající paralelismus. Matematice a vědeckým výpočtům se daří, když můžete využít všechny zdroje dostupné na daném stroji, zejména více jader. Python i Julia mohou provozovat operace paralelně. Metody Pythonu pro paralelní operace však často vyžadují serializaci a deserializaci dat mezi vlákny nebo uzly, zatímco Juliina paralelizace je rafinovanější. Juliaina paralelizační syntaxe je navíc méně náročná než Pythonova, což snižuje prahovou hodnotu pro její použití.
- Julia vyvíjí vlastní nativní knihovny strojového učení. Flux je knihovna strojového učení pro Julii, která má mnoho existujících modelových vzorů pro běžné případy použití. Jelikož je celý napsán v Julii, může ji uživatel podle potřeby upravit a pro optimalizaci projektů zevnitř používá Juliiinu nativní just-in-time kompilaci.
Julia vs. Python: Výhody Pythonu
Ačkoli je Julia účelová pro datovou vědu, zatímco Python se více či méně vyvinul do role, Python nabízí vědci v oblasti dat některé přesvědčivé výhody. Některé z důvodů „obecného účelu“ Pythonu může být lepší volbou pro práci s datovými vědami:
- Python používá indexování matic založených na nule. Ve většině jazyků, včetně Pythonu a C, je k prvnímu prvku pole přistupováno s nulou - např.
řetězec [0]v Pythonu pro první znak v řetězci. Julia používá 1 pro první prvek v poli. To není svévolné rozhodnutí; mnoho dalších matematických a přírodovědných aplikací, jako je Mathematica, používá indexování 1 a Julia má toto publikum oslovit. Je možné podporovat nulové indexování v Julii pomocí experimentální funkce, ale 1-indexování ve výchozím nastavení může stát v cestě přijetí obecnějším publikem se zakořeněnými programovacími návyky. - Python má menší režii při spuštění. Programy v Pythonu mohou být pomalejší než programy Julia, ale samotný běhový modul Pythonu je lehčí a jeho spuštění a doručení prvních výsledků obecně trvá kratší dobu. I když kompilace JIT zrychluje dobu provádění programů Julia, přichází za cenu pomalejšího spouštění. Bylo učiněno mnoho práce, aby se Julia mohla začít rychleji, ale Python zde stále má výhodu.
- Python je dospělý. Jazyk Julia je mladý. Julia je ve vývoji teprve od roku 2009 a během této doby prošla značným množstvím funkcí. Naproti tomu Python existuje téměř 30 let.
- Python má mnohem více balíčků třetích stran. Šířka a užitečnost Pythonovy kultury balíčků třetích stran zůstává jedním z největších lákadel jazyka. Relativní novost Julie opět znamená, že kultura softwaru kolem ní je stále malá. Něco z toho je vyváženo schopností používat existující knihovny C a Python, ale Julia potřebuje, aby se jim dařilo. Knihovny jako Flux a Knet činí Julii užitečnou pro strojové učení a hluboké učení, ale drtivá většina této práce se stále provádí pomocí TensorFlow nebo PyTorch.
- Python má miliony uživatelů. Jazyk není nic bez velké, oddané a aktivní komunity kolem sebe. Komunita kolem Julie je nadšená a roste, ale stále je to jen zlomek velikosti komunity Pythonu. Obrovská komunita Pythonu je obrovská výhoda.
- Python se zrychluje. Kromě získání vylepšení interpretu Pythonu (včetně vylepšení vícejádrového a paralelního zpracování) se Python snadněji zrychlil. Projekt mypyc překládá Python s anotací typu do nativního C, mnohem méně neohrabaně než Cython. Obvykle přináší čtyřnásobné vylepšení výkonu a pro čistě matematické operace často mnohem více.
