2020-10-28 最近折腾了一下Julia

不要百度Julia，八成会有惊吓

我说的Julia是这个 - MIT 2012年推出的一门统计学语言。我最开始对这东西不怎么感冒，之前也看过很多现代化语言的语法，包括kotlin、golang、rust和julia。
其中，最喜欢的还是golang和kotlin。rust对我来说太复杂了，试了试就放弃了。
julia给我的感觉也差不多，语法像是几门语言的杂糅。

• C：function和end关键字，写Python和go，甚至是R习惯了，经常漏写end
• Python：主要是类似numpy的矩阵操作
• R：各种基础统计和下标为1。

除此之外，julia的类型系统和.运算等都会跟人一种这门语言很复杂的感觉。
优点呢，也很明显，在不标明类型的情况下，运行速度都比Python强太多；表明了类型之后速度还能更进一步。另外，pipeline和PyCall，RCall能带来一种在Julia中顺畅的跑bash，Python和R的体验，真的强，不愧是学院派的语言，一看就就是平常也被各种语言和各种软件的互相调用搞得够恶心。

题外话，说起来现在的静态语言逐步开始发展一些简单的类型推断和泛型。而动态语言开始逐步添加类型系统（Python，Julia都是如此），很有意思的趋势

简单列几个我在julia使用过程中遇到的问题

关于Pkg

Julia自带的包管理器，其正常的用法很多地方都能查到了 ，也没什么好说的

using Pkg
Pkg.add("ArgParse")   # 装包
Pkg.precomile()  # 我在打包docker的过程中遇到这个问题，如果没有提前precompile，那么在第一次运行julia的时候会自动precompile，经常出问题

问题

1. Pkg没有竞态保护，也就是说如果同时开了两个julia都在Pkg.add或者怎么样，那么就会冲突导致包安装编译失败，一旦出现这个问题，目前我没有特别好的解决办法，只有删库重装。
2. Pkg的包管理，通过generate可以生成包管理文件，与Pip.lock，go.mod以及JS的yarn.lock等等都是一样的目的。但问题是它似乎只针对module开发，个人脚本就没法通过这个办法去lock运行环境，那其实不利于脚本的 分发。

关于pipeline

我最开始一直卡在如果与pipeline的stdout和stderr交互。官方示例没这玩意，后来偶然间看到的一个示例在恍然大悟

open(pipeline(`cat`), "w", stdin) do w   # 这里stdin和stdout都可，具体区别没看过
     write(w, "Hello")                                    # 这里println和write都可，具体区别没看过
     close(w)
end

open(pipeline(`echo "hello"`), "r", stdout) do r
     while !eof(r)
        l = readline(r)
        println(string("Julia say: ", l))
    end
    close(r)
end

关于多进程

协程我也没测试过，线程至今1.5.2版似乎也没出稳定版，所以也没仔细看过
我采用了最显式的写法，结合上关键文档，应该能 解决许多在实际应用过程中的问题

using Distributed

addprocs(4)

@everywhere begin
    function test(x::Int64)::Int64
        return x * x
    end
end

res = pmap(1:10) do p begin
    return test(p)
end

# res should be [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

问题

1. 进程是通过socks交互传递数据的，每个进程的环境之间相互隔绝，因此，真正用进程的时候会发现在julia一启动就开始把多个进程全开起来，然后一直存活到main结束，即便并不会使用每个子进程，这些进程也会挂在后台。
2. 由于每个进程之间环境并不能交互，因此在加载的时候必须通过@everywhere表明哪些代码是需要在子进程中加载的，几个不同的方式都可
   • @everywhere include("run.jl")
   • @everywhere begin; # code here; end

RCall和pyCall

• PyCall看文档就行，值的夸赞的是，它是在precompile的时候就需要指定好Python的路径，用且只用指定的Python避免了环境的紊乱，点赞（比R的reticulate强多了，那玩意那叫一个乱）
• RCall能够带来julia中写R的原声体验，比Python的rpy2强太多了，问题就是有时候可能不太好获取返回值

  using RCall
  # 比如，我的解决办法是用collect
  res = rcopy(R"ksmooth($x, $y, kernel='normal', bandwidth =.5, x.points = $x)")
  collect(values(res))    # 这就获得了ksmooth的结果，collect之后是一个二维数组，第一个是res$x，第二个是res$y
  

结束

好了，我把我目前的一些感想都写了一下，希望对想入手Julia的有所帮助吧