为什么说Julia比Python高出一个境界

前几年曾有Julia会替代Python的说法，现在看来，为时尚早，但作为科学计算方面的基于最新技术的强大工具，其优势已然显现，这意味着选择又多了一种。

在数据科学，乃至人工智能，以及其他相关领域，仔细对比Julia和Python这两者的表现会发觉： 对于同一目标，只要Python可以做的，Julia都可以做，而且效率高得多，语法也优雅了不少，只是名气过于逊色，接受度也太低。

在上述领域的实践中，对于编程语言的采用，最关心两个方面：好写和高效。前者在于迅速把想法和创意代码化，后者则要求较高的代码执行效率。在过去很长一段时间内，这两者是无法兼顾的： 比如C或C++等语言代码执行效率很高，但由于语法相对复杂繁重，代码产出比较低，而Python，R等易学好写，但执行效率要缓慢得多。尤其在海量数据，业务需求频繁和模型复杂的场景下，对协同和效率要求倍增，工具的选择着实令相关从业者不免纠结。

以上所谈涉及计算机科学界中所谓的“两种语言”的问题。幸运的是，随着编译技术的进展，在一定程度上对“两种语言”的问题有了些不错的解决方案，而Julia的出现便是应此运而生，该语言的创制始于2009年的麻省理工学院，至今的最新版本为1.5.0， 是一种面向科学计算的高性能动态高级程序设计语言，性能可与C和Fortran相媲美，代码风格与Python一般灵活，可以做到既高产又高效。

Julia的执行效率何以如此之高？

恰逢其时的编译器：高效 灵活

Julia是一种即时(Just-In-Time，JIT)编译语言，而不是脚本（解释）语言（如Python，R，Ruby等）。这使得Julia作为是一种动态的高级语言， 无需浪费时间走一趟解释器，就能被编译为可在CPU上直接执行的机器代码。同时也不像C语言那样，在运行前才能全部编译，因而具备更多灵活度和交互能力。

Julia使用LLVM(Low Level Virtual Machine)来进行JIT编译。具体过程是：Julia运行时会生成LLVM中间代码，并将其交给LLVM的JIT编译器，最终以其生成在CPU上可执行的机器代码。 其实，在LLVM中所构建的编译技术已经为Julia的代码优化建立了一套强大的工作系统： 既包含简单的操作，如循环展开或循环删除等；也涉及相对复杂的步骤，如SIMD向量化等。可见，是LLVM的存在促成了Julia在真正意义上的诞生。

然而，在Python和R的创制项目刚刚开始时，这种编译技术还不成型。现在，在Python和R社区中也有将LLVM编译技术引入以提升执行效率的项目，如Numba，Rllvm，都在不同程度上对性能有明显的提升，但由于这两种语言的种种历史遗留问题，截至目前，尚未在整体上达到其所期待的效果。

强健的类型系统(Types)：井然有序 条理分明

进一步讲，Julia的类型概念是其性能高效的关键保证。 Julia编译器会主动推断程序中使用的所有数据的类型，并根据其参数的特定类型，编译不同版本的优化函数，这种范式被称为多分派（Multiple dispatch），贯穿于Julia运行之中。 比如，求开方的函数sqrt，在使用整数或浮点参数可以调用此函数时，Julia将编译两个版本的代码，一个用于整型参数，另一个用于浮点参数。 这意味着，最终在CPU执行机器代码时，不需要做任何类型判断的工作。粗略的说，可以认为是对诸如C++运算符重载方法的增充扩展和全面升级。

由于装备了周密的数据流算法和严谨的设计模式，Julia编译器可以在大多数程序执行之前推断出类型信息， 从这个角度来看，该语言非常适合于进行程序静态分析（Program Static Analysis）。简言之，类型推断和对应的代码专门化是Julia高效执行的重要策略，使Julia能够达到媲美C语言的运行速度，同时仍然保持着脚本语言的书写便利性。

需要多谈一点的是，除了这种类型推断机制，Julia编译器其实非常简单：并没有包括很多，像Java和JavaScript编译器所使用的–高级即时优化的技术，这是因为Julia编译器根本不需要，只要有了代码中数据类型的足够信息，就可以生成优化的直线式代码，可在CPU上直接运行。

在Julia中，由于类型系统非常周密详实，按照Julia的推荐模式写代码，通常可以达到很高的性能水准。

Julia的其他优势

正是有了执行效高效这个核心优势，才使得Julia的其他优势显得更有价值，于此暂列如下四点。

• 语法风格，完全沿袭的是脚本语言的传统，并有所优化，简言之：如果你觉得Python语法已经非常简单和明了，那么Julia的语法则是在这个基础上加一个“更”字，甚至是好多了。
• 学习成本：如果你觉得Python已经很容易学，学习Julia的难度只会变得更简单。
• 生态系统:
  在统计学，数据科学和人工智能领域，现有的各种程序包，模型或代码框架完全可以同Python和R语言社区的功能模块对应，而且性能更高，风格也更优雅。
• 维护成本：由于Julia高效好写的特征，很多数据应用都可以完全由Julia一种语言来写，很少存在多种语言合作（如C/C++与Python）中的协调处理问题

以上每一条详细说来，都可以独立成文，但这不是本文的重点，只要考虑到Julia的出现，就是为了弥补Python等语言在数据科学等领域的不足即可，即使它并不是唯一有志于此的语言。

如果你用过Python或者R，那么不用多久便可以轻松的学会使用Julia来做那两种语言的工作，而且很快就会发觉，Julia真的是处处都把那两种语言使用过程中麻烦的地方，变得愈发简易，尤其是科学计算方面。而且就现在而言，如果能把这三种语言组合起来使用，你的工作真的可能变成艺术。

结语

至于Julia是否意在或能够真正在实际工作中替代Python，目前尚无答案，但在实际工作中的带来的益处，已经不容忽视。

想获取更多内容，请关注海数据实验室公众号。

本期分享到这里，我们会每天更新内容，咱们下期再见，期待您的再次光临。有什么建议，比如想了解的知识、内容中的问题、想要的资料、下次分享的内容、学习遇到的问题等，请在下方留言。如果喜欢请关注。

社群推荐：
更多有关数据分析的精彩内容欢迎加入海数据在线数据分析交流群，有什么想法或者疑问都可在里面提出，与同行零距离交流，共同成长进步，请识别下面二维码加火星小海马微信，邀你进群。