两大机器学习和统计编程中的常用语言Julia和Python，究竟有何不同？
作者
EmmettBoudreau
译者
弯月，责编
屠敏
以下为译文：
Julia是一种多范式、以函数式为主的编程语言，主要用于机器学习和统计编程。Python是另一种用于机器学习的多范式编程语言，尽管人们通常认为Python是面向对象的编程语言。而Julia则主要是函数式。尽管Julia远不如Python流行，但在数据科学中使用Julia有很多优势，在许多情况下Julia甚至是比Python更好的选择。
速度
提起Julia就不得不谈论速度。Julia最自豪的地方就是速度快。与解释型语言Python不同，Julia是一种用自己的方式实现的编译语言。然而，与其他编译语言（如C）不同，Julia是在运行时进行编译的，而传统语言则是在执行之前进行编译的。Julia的速度有时甚至可能超越C（如果编写适当的话）。Julia使用即时编译器（JIT），编译速度非常快，尽管它的编译更像一种解释型语言，而非C或Fortran等传统的低级编译语言。
多用途
你可能已经注意到，我说过就多用途而言，Python比Julia更占优势。这是事实，很多Python可以做到的事情，而Julia却做不到。当然，这只是就语言本身而言的，因为我们现在讨论的多样性是语言的多功能性。而实际上，Julia代码可以在R、Latex、Python和C中执行。这意味着一般的数据科学项目理论上都可以仅编写一次，然后通过Julia，在其他语言的wrapper中原生地进行编译，或者也可以通过发送字符串的形式来编译。
PyCall和RCall也非常有用。考虑到Julia的弱点就在于其软件包，因此能够随时随地调用Python和R真的很方便。Julia中很好地实现了PyCall，并且做得非常好且非常实用。
多重分派
Julia是一种非常独特的有类型语言，有自己的特性，但最棒的特性就是多重分派功能。首先，也是最重要的一点，那就是Julia的多重分派非常快。除此之外，Julia的多态分派还可以将函数定义作为结构体的属性使用。当然，Julia中的继承就是用这个实现的。
不仅如此，Julia的多重分派还能让函数更具可扩展性。对于软件包扩展来说这一点非常有用，因为在需要明确地导入某个方法时，用户可以改变方法的名称。因此很容易明确地导入方法并进行扩展，方便构造体使用新的函数。
为机器学习量身打造
与Python不同，Julia是为统计学和机器学习量身打造的。Python诞生于于九十年代前期，是一个简单的面向对象语言，尽管后来发生了许多变化。考虑到Python的发展史以及各种各样的用途，Julia作为一项专为高层次统计学打造的语言有许多优势。
我认为其优势之一就是线性代数。原始的Python很难进行线性代数运算，但原始的Julia做线性代数非常方便。这是因为Python从来没有考虑过支持机器学习所需的矩阵和方程等。尽管这并不是Python的缺点，特别是在有了NumPy之后，但从不需要额外软件包的角度来看，Julia感觉更适合这类数学运算。Julia的操作符系统更类似于R，这也是非常大的优势。绝大多数线性代数操作都非常快且容易。下面是一个点乘的例子：
Python-y=np.dot(array1,array2)R-y-array1*array2Julia-y=array1.*array2
包管理器
也许我是第一个这样说的人：Julia的pkg包管理器远胜于Python的pip包管理器。你可以利用pkg自带REPL构建、添加、删除和初始化Julia包。pkg非常方便，因为它绑定了Git。更新也很容易，添加包非常容易，整体而言，Pkg比Pythonpip更方便。
总结
不论你选择R、Julia、Python还是Scala，这都不重要。重要的是你需要注意到每种语言都有缺点，并没有一种“完美的语言”。在进行多种编程活动时这一点尤为明显，比如你需要做机器学习，也需要做GUI、API等。尽管如此，Julia仍然是我最喜欢的语言之一，Python也是。Python的软件包更好，而且如果项目很小，我更倾向于使用Python，但对于拥有几百万观测点的数据集而言，Python读取数据都会有困难。
总体来说，我更看好Julia未来的发展趋势。使用Julia编程非常愉悦，这门语言很可能在数据科学中有更好的发展前景。
原文：