与其它语言的区别

与 MATLAB 的区别

Julia 的语法和 MATLAB 很像。但 Julia 不是简单地复制 MATLAB ，它们有很多句法和功能上的区别。以下是一些值得注意的区别：

  • 数组用方括号来索引， A[i,j]
  • 数组是用引用来赋值的。在 A=B 之后，对 B 赋值也会修改 A
  • 使用引用来传递和赋值。如果一个函数修改了数组，调用函数会发现值也变了
  • Matlab 把赋值和分配内存合并成了一个语句。比如： a(4) = 3.2 会创建一个数组 a = [0 0 0 3.2] ，即为a分配了内存并且将每个元素初始化为0,然后为第四个元素赋值3.2，而 a(5) = 7 会为数组a增加长度，并且给第五个元素赋值7。 Julia 把赋值和分配内存分开了： 如果 a 长度为4, a[5] = 7 会抛出一个错误。 Julia 有一个专用的 push! 函数来向 Vectors 里增加元素。并且远比Matlab的 a(end+1) = val 来的高效。
  • 虚数单位 sqrt(-1) 用 im 来表示
  • Literal numbers without a decimal point (such as 42) create integers instead of floating point numbers. Arbitrarily large integer literals are supported. But this means that some operations such as 2^-1 will throw a domain error as the result is not an integer (see the FAQ entry on domain errors for details).
  • 多返回值和多重赋值需要使用圆括号，如 return (a, b) 和 (a, b) = f(x)
  • Julia 有一维数组。列向量的长度为 N ，而不是 Nx1 。例如， rand(N) 生成的是一维数组
  • 使用语法 [x,y,z] 来连接标量或数组，连接发生在第一维度（“垂直”）上。对于第二维度（“水平”）上的连接，需要使用空格，如 [x y z] 。 要想构造块矩阵，尽量使用语法 [a b; c d]
  • a:b 和 a:b:c 中的冒号，用来构造 Range 对象。使用 linspace 构造一个满向量，或者通过使用方括号来“连接”范围，如 [a:b]
  • 函数返回须使用 return 关键字，而不是把它们列在函数定义中（详见 return 关键字 ）
  • 一个文件可以包含多个函数，文件被载入时，所有的函数定义都是外部可见的
  • sum, prod, max 等约简操作，如果被调用时参数只有一个，作用域是数组的所有元素，如 sum(A)
  • sort 等函数，默认按列方向操作。（ sort(A) 等价于 sort(A,1) ）。要想排序 1xN 的矩阵，使用 sort(A,2)
  • 如果 A 是 2 维数组, fft(A) 计算的是 2 维 FFT. 尤其注意的是, 它不等效于 fft(A,1), 后者计算的是按列的 1 维 FFT.
  • 即使是无参数的函数，也要使用圆括号，如 tic() 和 toc()
  • 表达式结尾不要使用分号。表达式的结果不会自动显示（除非在交互式提示符下）。 println 函数可以用来打印值并换行
  • 若 A 和 B 是数组， A == B 并不返回布尔值数组。应该使用 A .== B 。其它布尔值运算符可以类比， <, >, != 等
  • 符号 & 、| 和 $ 表示位运算“和”、“或”以及“异或”。它们和python中的位运算符有着相同的运算符优先级，和c语言中的位运算符优先级并不一样。 它们能被应用在标量上或者应用在两个数组间（对每个相同位置的元素分别进行逻辑运算，返回一个由结果组成的新数组）。 值得注意的是它们的运算符优先级，别忘了括号: 如果想要判断变量 A 是等于1还是2, 要这样写 (A .== 1) | (A .== 2) 。
  • 可以用 ... 把集合中的元素作为参数传递给函数，如 xs=[1,2]; f(xs...)
  • Julia 中 svd 返回的奇异值是向量而不是完整的对角矩阵
  • Julia 中 ... 不用来将一行代码拆成多行。Instead, incomplete expressions automatically continue onto the next line.
  • 变量 ans 是交互式会话中执行的最后一条表达式的值；以其它方式执行的表达式的值，不会赋值给它
  • The closest analog to Julia’s types are Matlab’s classes. Matlab’s structs behave somewhere between Julia’s types and Dicts; in particular, if you need to be able to add fields to a struct on-the-fly, use a Dict rather than a type.

与 R 的区别

Julia 也想成为数据分析和统计编程的高效语言。与 R 的区别：

  • 使用 = 赋值，不提供 <- 或 <<- 等箭头式运算符

  • 用方括号构造向量。Julia 中 [1, 2, 3] 等价于 R 中的 c(1, 2, 3)

  • Julia 的矩阵运算比 R 更接近传统数学语言。如果 A 和 B 是矩阵，那么矩阵乘法在 Julia 中为 A * B ， R 中为 A %*% B 。在 R 中，第一个语句表示的是逐元素的 Hadamard 乘法。要进行逐元素点乘，Julia 中为 A .* B

  • 使用 ' 运算符做矩阵转置。 Julia 中 A' 等价于 R 中 t(A)

  • 写 if 语句或 for 循环时不需要写圆括号：应写 for i in [1, 2, 3] 而不是 for (i in c(1, 2, 3)) ；应写 if i == 1 而不是 if (i == 1)

  • 0 和 1 不是布尔值。不能写 if (1) ，因为 if 语句仅接受布尔值作为参数。应写成 if true

  • 不提供 nrow 和 ncol 。应该使用 size(M, 1) 替代 nrow(M) ；使用 size(M, 2) 替代 ncol(M)

  • Julia 的 SVD 默认为非 thinned ，与 R 不同。要得到与 R 一样的结果，应该对矩阵 X 调用 svd(X, true)

  • Julia 区分标量、向量和矩阵。在 R 中， 1 和 c(1) 是一样的。在 Julia 中，它们完全不同。例如若 x 和 y 为向量，则 x' * y 是一个单元素向量，而不是标量。要得到标量，应使用 dot(x, y)

  • Julia 中的 diag() 和 diagm() 与 R 中的不同

  • Julia 不能在赋值语句左侧调用函数：不能写 diag(M) = ones(n)

  • Julia 不赞成把 main 命名空间塞满函数。大多数统计学函数可以在 扩展包 中找到，比如 DataFrames 和 Distributions 包：

  • Julia 提供了多元组和哈希表，但不提供 R 的列表。当返回多项时，应该使用多元组：不要使用 list(a = 1, b = 2) ，应该使用 (1, 2)

  • 鼓励自定义类型。Julia 的类型比 R 中的 S3 或 S4 对象简单。Julia 的重载系统使 table(x::TypeA) 和 table(x::TypeB) 等价于 R 中的 table.TypeA(x) 和 table.TypeB(x)

  • 在 Julia 中，传递值和赋值是靠引用。如果一个函数修改了数组，调用函数会发现值也变了。这与 R 非常不同，这使得在大数据结构上进行新函数操作非常高效

  • 使用 hcat 和 vcat 来连接向量和矩阵，而不是 c, rbind 和 cbind

  • Julia 的范围对象如 a:b 与 R 中的定义向量的符号不同。它是一个特殊的对象，用于低内存开销的迭代。要把范围对象转换为向量，应该用方括号把范围对象括起来 [a:b]

  • max, min are the equivalent of pmax and pmin in R, but both arguments need to have the same dimensions. While maximum, minimum replace max and min in R, there are important differences.

  • The functions sum, prod, maximum, minimum are different from their counterparts in R. They all accept one or two arguments. The first argument is an iterable collection such as an array. If there is a second argument, then this argument indicates the dimensions, over which the operation is carried out. For instance, let A=[[1 2],[3,4]] in Julia and B=rbind(c(1,2),c(3,4)) be the same matrix in R. Then sum(A) gives the same result as sum(B), but sum(A,1) is a row vector containing the sum over each column and sum(A,2) is a column vector containing the sum over each row. This contrasts to the behavior of R, where sum(B,1)=11 and sum(B,2)=12. If the second argument is a vector, then it specifies all the dimensions over which the sum is performed, e.g., sum(A,[1,2])=10. It should be noted that there is no error checking regarding the second argument.

  • Julia 有许多函数可以修改它们的参数。例如， sort(v) 和 sort!(v) 函数中，带感叹号的可以修改 v

  • colMeans() 和 rowMeans(), size(m, 1) 和 size(m, 2)

  • 在 R 中，需要向量化代码来提高性能。在 Julia 中与之相反：使用非向量化的循环通常效率最高

  • 与 R 不同，Julia 中没有延时求值

  • 不提供 NULL 类型

  • Julia 中没有与 R 的 assign 或 get 所等价的语句

与 Python 的区别

  • 对数组、字符串等索引。Julia 索引的下标是从 1 开始，而不是从 0 开始
  • 索引列表和数组的最后一个元素时，Julia 使用 end ，Python 使用 -1
  • Julia 中的 Comprehensions （还）没有条件 if 语句
  • for, if, while, 等块的结尾需要 end ；不强制要求缩进排版
  • Julia 没有代码分行的语法：如果在一行的结尾，输入已经是个完整的表达式，就直接执行；否则就继续等待输入。强迫 Julia 的表达式分行的方法是用圆括号括起来
  • Julia 总是以列为主序的（类似 Fortran ），而 numpy 数组默认是以行为主序的（类似 C ）。如果想优化遍历数组的性能，从 numpy 到 Julia 时应改变遍历的顺序（详见 代码性能优化 ）。