...是什么？

Julia 是一种为科学计算而生的，开源、多平台、高性能的高级编程语言。

Julia 有一个基于 LLVM 低级虚拟机(Low-Level Virtual Machine)是一个编译基础设施，用于构建中间代码(IR)或者二进制机器码。的 JIT 即时编译(Just-In-Time compilation)发生在运行时而不是程序执行之前。这意味着它在保证编译后代码的运行速度的同时，还提供了代码解释的灵活性。编译器先解析代码并进行类型推断，然后生成 LLVM 代码，最后将其编译为本地代码(native code)。编译器，这让使用者无需编写底层的代码也能拥有像 C 与 FORTRAN 那样的性能。因为代码在运行中编译，你可以在 shell 或 REPL 读取-执行-输出循环(Read-Eval-Print-Loop) 中运行代码，这也是一种推荐的工作流程。

Julia 是动态类型的。并且提供了为并行计算和分布式运算设计的多重派发因为函数参数的类型是在运行时才能确定的，编译器可以为不同类型的参数，选择基于特定参数类型和处理器架构优化后的不同实现。机制。

Julia 自带包管理器。

Julia 有许多内置的数学函数，包括特殊函数 (例如：Gamma 函数)。并且支持开箱即用的复数运算。

Julia 允许你通过类似 Lisp 的宏来自动生成代码。

Julia 诞生于 2012 年。

基础语法

赋值语句	`answer = 42` `x, y, z = 1, [1:10; ], "A string"` `x, y = y, x # 交换 x, y`
常量定义	`const DATE_OF_BIRTH = 2012`
行尾注释	`i = 1 # 这是一行注释`
多行注释	`#= 这是另一行注释 =#`
链式操作	`x = y = z = 1 # 从右向左` `0 < x < 3 # true` `5 < x != y < 5 # false`
函数定义	`function add_one(i)` `return i + 1` `end`
插入 LaTeX 符号	`\delta` + [Tab] `# δ`

运算符

基本算数运算	`+`，`-`，`*`，`/`
幂运算	`2^3 # 8`
除法	`3/12 # 0.25`
反向除法	`7\3 == 3/7 # true`
取余	`x % y` 或 `rem(x,y)`
取反	`!true # false`
等于	`a == b`
不等于	`a != b` 或 `a ≠ b`
小于与大于	`<` 与 `>`
小于等于	`<=` 或 `≤`
大于等于	`>=` 或 `≥`
逐元素运算(点运算)	`[1, 2, 3] .+ [1, 2, 3] == [2, 4, 6] # true` `[1, 2, 3] .* [1, 2, 3] == [1, 4, 9] # true`
检测非数值(NaN)	`isnan(NaN) # true` 而不是 `NaN == NaN # false`
三元运算符	`a == b ? "Equal" : "Not equal"`
短路 AND 和 OR 表达式	`a && b` 和 `a \|\| b`
对象等价	`a === b`

shell/REPL 环境

上一次运算的结果	`ans`
中断命令执行	[Ctrl] + [C]
清屏	[Ctrl] + [L]
运行程序文件	`include("filename.jl")`
查找 `func` 相关的帮助	`?func`
查找 `func` 的所有定义	`apropos("func")`
命令行模式	`;`
包管理模式	]
帮助模式	?
查找特殊符号输入方式	`?☆ # "☆" can be typed by \bigwhitestar<tab>`
退出特殊模式返回到 REPL	在空行上按 [Backspace]
退出 REPL	`exit()` 或 [Ctrl] + [D]

标准库

为了让 Julia 能加载的更快，许多核心组件都放在与 Julia 捆绑在一起的标准库中。当你想用某一个标准库时，就输入 using PackageName。以下是一些标准库及其常用的函数。


`Random`	`rand`, `randn`, `randsubseq`
`Statistics`	`mean`, `std`, `cor`, `median`, `quantile`
`LinearAlgebra`	`I`, `eigvals`, `eigvecs`, `det`, `cholesky`
`SparseArrays`	`sparse`, `SparseVector`, `SparseMatrixCSC`
`Distributed`	`@distributed`, `pmap`, `addprocs`
`Dates`	`DateTime`, `Date`

包管理

一个程序包必须先注册，然后才能在包管理器中看到它。

在 Julia 1.0 中，有两种使用包管理器的方法：

一是通过 using Pkg 导入 Pkg 模块，然后用它的函数管理其他包；
或者在 REPL 中输入 ]，然后按回车。进入特殊的交互式包管理模式。 (要从包管理模式返回 REPL，只需要在空行上按退格键 BACKSPACE 就行了)

注意新的工具总是先添加到交互式模式中，然后才会加入 Pkg 模块。

在 Julia 会话中使用 `Pkg` 管理包


列出已安装的包 (人类可读版)	`Pkg.status()`
列出已安装的包 (机器可读版)	`Pkg.installed()`
更新所有包	`Pkg.update()`
安装包	`Pkg.add("PackageName")`
重新构建包	`Pkg.build("PackageName")`
(在安装之后) 使用包	`using PackageName`
删除包	`Pkg.rm("PackageName")`

交互式包管理模式


添加包	`add PackageName`
删除包	`rm PackageName`
更新包	`update PackageName`
使用开发版本	`dev PackageName` 或 `dev GitRepoUrl`
停止使用开发板，返回普通的发行版	`free PackageName`

字符与字符串

字符	`chr = 'C'`
字符串	`str = "A string"`
字符 => 编码	`Int('J') # 74`
编码 => 字符	`Char(74) # 'J'`
任意的 UTF 字符	`chr = '\uXXXX' # 4 位 HEX` `chr = '\UXXXXXXXX' # 8 位 HEX`
逐字符迭代	`for c in str` `println(c)` `end`
字符串拼接	`str = "Learn" * " " * "Julia"`
字符插值	`a = b = 2` `println("a * b = $(a*b)")`
第一个匹配的子串或正则表达式	`findfirst(isequal('i'), "Julia") # 4`
替换字串或正则表达式	`replace("Julia", "a" => "us")` `# "Julius"`
收集的最后一个索引值	`lastindex("Hello") # 5`
字符串的长度	`length("Hello") # 5`
正则表达式	`pattern = r"l[aeiou]"`
子字符串	`str = "+1 234 567 890"` `pat = r"\+([0-9]) ([0-9]+)"` `m = match(pat, str)` `m.captures # ["1", "234"]`
所有匹配	`[m.match for m = eachmatch(pat, str)]`
所有匹配的迭代器	`eachmatch(pat, str)`

要当心 UTF-8 中的多字节 Unicode 编码：

Unicode_string = "Ångström"
lastindex(Unicode_string) # 10
length(Unicode_string)    # 8

Unicode_string[10]  # 'm': ASCII/Unicode U+006d 
Unicode_string[9]   # ERROR: StringIndexError("Ångström", 9)
Unicode_string[8]   # 'ö': Unicode U+00f6 

字符串是不可变的。

数字相关

整数类型	`IntN` 和 `UIntN`, 且 `N ∈ {8, 16, 32, 64, 128}`, `BigInt`
浮点类型	`FloatN` 且 `N ∈ {16, 32, 64}` `BigFloat`
类型的最大和最小值	`typemin(Int8)` `typemax(Int64)`
复数类型	`Complex{T<:Real}`
虚数单位	`im`
机器精度	`eps() # 等价于 eps(Float64)`
圆整	`round() # 浮点数圆整` `round(Int, x) # 整数圆整`
类型转换	`convert(TypeName, val) # 尝试进行转换/可能会报错` `TypeName(val) # 调用类型构造器转换`
全局常量	`pi # 3.1415...` `π # 3.1415...` `im # real(im * im) == -1`
更多常量	`using Base.MathConstants`

Julia 不会自动检测数值溢出。使用 SaferIntegers 包可以得到带溢出检查的整数。

随机数

许多随机数函数都需要 using Random。


设置随机数种子	`Random.seed!(seed)`
产生随机数	`rand() # 均匀分布 [0,1)` `randn() # 正态分布 (-Inf, Inf)`
产生特定分布的随机数	`using Distributions` `my_dist = Bernoulli(0.2) # 举例` `rand(my_dist)`
以概率 p 从 A 中进行伯努利抽样	`randsubseq(A, p)`
随机重排 A 中的元素	`shuffle(A)`

数组

声明数组	`arr = Float64[]`
预分配内存	`sizehint!(arr, 10^4)`
访问与赋值	`arr = Any[1,2]` `arr[1] = "Some text"`
数组比较	`a = [1:10;]` `b = a # b 指向 a` `a[1] = -99` `a == b # true`
复制元素(而不是地址)/深拷贝	`b = copy(a)` `b = deepcopy(a)`
从 m 到 n 的子数组	`arr[m:n]`
n 个 0.0 填充的数组	`zeros(n)`
n 个 1.0 填充的数组	`ones(n)`
n 个 #undef 填充的数组	`Vector{Type}(undef,n)`
n 个从 start 到 stop 的等间距数	`range(start,stop=stop,length=n)`
n 个随机 Int8 填充的数组	`rand(Int8, n)`
用值 val 填充数组	`fill!(arr, val)`
弹出最后一个元素	`pop!(arr)`
弹出第一个元素	`popfirst!(a)`
将值 val 作为最后一个元素压入数组	`push!(arr, val)`
将值 val 作为第一个元素压入数组	`pushfirst!(arr, val)`
删除指定索引值的元素	`deleteat!(arr, idx)`
数组排序	`sort!(arr)`
将 b 连接到 a 后	`append!(a,b)`
检查值 val 是否在数组 arr 中	`in(val, arr)` 或 `val in arr`
改变维数	`reshape(1:6, 3, 2)' == [1 2 3; 4 5 6]`
转化为字符串，并以 delim 分隔	`join(arr, delim)`

线性代数

想要使用线性代数相关的工具，请用：using LinearAlgebra。


单位矩阵	`I # 直接用 I 就好。会自动转换到所需的维数。`
定义矩阵	`M = [1 0; 0 1]`
矩阵维数	`size(M)`
选出第 `i` 行	`M[i, :]`
选出第 `j` 列	`M[:, j]`
水平拼接	`M = [a b]` 或 `M = hcat(a, b)`
竖直拼接	`M = [a ; b]` 或 `M = vcat(a, b)`
矩阵转置	`transpose(M)`
共轭转置	`M'` 或 `adjoint(M)`
迹(trace)	`tr(M)`
行列式	`det(M)`
秩(rank)	`rank(M)`
特征值	`eigvals(M)`
特征向量	`eigvecs(M)`
矩阵求逆	`inv(M)`
解矩阵方程 `M*x == v`	`M\v` 比 `inv(M)*v` 更好数值上更稳定，通常速度也更快。。
求 Moore-Penrose 伪逆	`pinv(M)`

Julia 有内置的矩阵分解函数。

Julia 会试图推断矩阵是否为特殊矩阵(对称矩阵、厄米矩阵等)，但有时会失败。为了帮助 Julia 分派最优的算法，可以声明矩阵具有特殊的结构。如：对称矩阵、厄密矩阵(Hermitian)、上三角矩阵、下三角矩阵、对角矩阵等。

控制流与循环

条件语句	`if-elseif-else-end`
`for` 循环	`for i in 1:10` `println(i)` `end`
嵌套循环	`for i in 1:10, j = 1:5` `println(i*j)` `end`
枚举	`for (idx, val) in enumerate(arr)` `println("the $idx-th element is $val")` `end`
`while` 循环	`while bool_expr` `# 做点啥` `end`
退出循环	`break`
退出本次循环	`continue`

函数

函数的所有参数都是传参(passed by reference)。

以 ! 结尾的函数会改变至少一个参数，一般是改变第一个参数：sort!(arr)。

必须的参数以逗号分隔，通过位置传入。

可选的参数均需要一个默认值，用 = 定义。

关键字参数使用名称标记，它们放在函数签名中的分号后面：

function func(req1, req2; key1=dflt1, key2=dflt2)
    # 做点啥
end

在调用函数时，关键字参数前的分号不是必须的。

return 语句是可选的，但我们强烈建议你为每一个函数都加上 return。

在单一的 return 语句中，可以通过元组返回多种数据结构。

从命令行输入的参数 julia script.jl arg1 arg2...，可以通过常量 ARGS 访问：

for arg in ARGS
    println(arg)
end

匿名函数可以用于收集函数(collection functions)或列表推断(list comprehensions)： x -> x^2.

函数可以接收可变数量的参数

function func(a...)
    println(a)
end

func(1, 2, [3:5]) # tuple: (1, 2, UnitRange{Int64}[3:5])

函数可以嵌套

function outerfunction()
    # 在外面做点啥
    function innerfunction()
        # 在内面做点啥
        # 可以访问之前在外部定义的东西
    end
    # 在外面继续做点啥
end

函数可以显示指定返回类型

# 接收 Number 的任何子类型，返回一个字符串
function stringifynumber(num::T)::String where T <: Number
    return "$num"
end

函数可以通过点语法向量化

# 这里通过点语法广播了减去均值的操作
julia> using Statistics
julia> A = rand(3, 4);
julia> B = A .- mean(A, dims=1)
3×4 Array{Float64,2}:
  0.0387438     0.112224  -0.0541478   0.455245
  0.000773337   0.250006   0.0140011  -0.289532
 -0.0395171    -0.36223    0.0401467  -0.165713
julia> mean(B, dims=1)
1×4 Array{Float64,2}:
 -7.40149e-17  7.40149e-17  1.85037e-17  3.70074e-17

Julia 会根据数据类型生成相应的特化版本多重分派(Multiple dispatch)某种多态的类型，会动态的决定调用函数的哪个版本。这里“动态”意味着在运行时做出选择，而方法重载则是在编译时完成的。 Julia 自动在后台管理多重分派。当然你也可以使用类型注释提供自定义函数重载。函数。当一个函数再次以同样的参数调用时，Julia 会跳过编译过程，直接查找对应的本地机器码(native machine code)。

从 Julia 0.5 之后，定义有潜在歧义是可接受的。但实际上调用一个不明确的方法是一种 直接错误(immediate error)。

当递归函数的调用很深之后会发生栈溢出(Stack overflow)。 Trampolining 可以用来做尾递归优化，实际上 Julia 还不能自动完成这种优化。或者你也可以将尾递归重写为迭代。

字典

字典	`d = Dict(key1 => val1, key2 => val2, ...)` `d = Dict(:key1 => val1, :key2 => val2, ...)`
所有的键 (迭代器)	`keys(d)`
所有的值 (迭代器)	`values(d)`
按键值对迭代	`for (k,v) in d` `println("key: $k, value: $v")` `end`
是否存在键 `:k`	`haskey(d, :k)`
将键/值复制到数组	`arr = collect(keys(d))` `arr = [k for (k,v) in d]`

字典是可变的。当使用符号(:symbol)作为键时，键不可变。

集合

声明集合	`s = Set([1, 2, 3, "Some text"])`
并集 `s1 ∪ s2`	`union(s1, s2)`
交集 `s1 ∩ s2`	`intersect(s1, s2)`
补集 `s1 ∖ s2`	`setdiff(s1, s2)`
对称差 `s1 △ s2` (symmetric difference)	`symdiff(s1, s2)`
子集? `s1 ⊆ s2`	`issubset(s1, s2)`

检查元素是否在集合(set)内可以在 O(1) 的时间内完成。

收集相关函数

将 f 应用到 coll 中的每一个元素上	`map(f, coll)` 或 `map(coll) do elem` `# 处理 elem` `# 必须有返回值` `end`
滤出 coll 中使 f 为真的每一个元素	`filter(f, coll)`
列表推导	`arr = [f(elem) for elem in coll]`

类型

Julia 没有类，因此也没有类相关的方法。

类型就像是没有方法的类。

抽象类型可以作为子类型，但不能被实例化。

具体的类型不能作为子类型。

struct 默认是不可变的。

不可变类型能能改善程序的性能，并且它们是线程安全的，因为它们在跨线程使用时不需要同步。

可能是一组类型之一的对象称为 Union (联合)类型。


类型注释	`var::TypeName`
类型声明	`struct Programmer` `name::String` `birth_year::UInt16` `fave_language::AbstractString` `end`
可变类型声明	将 `struct` 替换为 `mutable struct`
类型别名	`const Nerd = Programmer`
类型构造器	`methods(TypeName)`
类型实例	`me = Programmer("Ian", 1984, "Julia")` `me = Nerd("Ian", 1984, "Julia")`
子类型声明	`abstract type Bird end` `struct Duck <: Bird` `pond::String` `end`
参数化类型	`struct Point{T <: Real}` `x::T` `y::T` `end` `p = Point{Float64}(1,2)`
联合类型	`Union{Int, String}`
遍历类型层级	`supertype(TypeName)` 和 `subtypes(TypeName)`
默认的超类型	`Any`
所有字段	`fieldnames(TypeName)`
所有字段类型	`TypeName.types`

当使用内部构造器定义类型时，默认的外部构造器就不能用了，如果你还想用它就需要手工定义一下。内部构造器非常适合于检查参数是否符合特定的(不变的)条件。当然，可以通过直接访问并修改这些字段来改变这些不变量，除非类型定义为不可变。关键字 new 可以用于创建相同类型的对象。

类型参数是不可变的，这意味着即使 Float64 <: Real，
Point{Float64} <: Point{Real} 依旧为假对于元组类型(Tuple)正好相反，它们是协变的(covariant)： Tuple{Float64} <: Tuple{Real}

通过 code_typed() 函数可以查看 Julia 代码经过类型推断后的内部表示形式(IR)。这个函数常用来确定本地代码中那些地方出现了 Any 类型而不是特定的类型。

缺失值与空值

空值(Null)	`nothing`
缺失数据	`missing`
浮点数的非数值	`NaN`
滤除缺失值	`collect(skipmissing([1, 2, missing])) == [1,2]`
替换缺失值	`collect((df[:col], 1))`
检查是否有缺失值	`ismissing(x)` 而不是 `x == missing`

异常处理

抛出异常 SomeExcep	`throw(SomeExcep())`
再次引发当前的异常	`rethrow()`
定义新异常 NewExcep	`struct NewExcep <: Exception` `v::String` `end` `Base.showerror(io::IO, e::NewExcep) = print(io, "A problem with $(e.v)!")` `throw(NewExcep("x"))`
抛出带文本的异常	`error(msg)`
异常处理流程	`try` `# 进行一些可能会失败的操作` `catch ex` `if isa(ex, SomeExcep)` `# 处理异常 SomeExcep` `elseif isa(ex, AnotherExcep)` `# 处理另一个异常 AnotherExcep` `else` `# 处理其余的异常` `end` `finally` `# 永远执行这些语句` `end`

模块

模块是独立的全局变量工作区，它们将类似的功能组合到一起。


定义	`module PackageName` `# 添加模块定义` `# 使用 export 让定义对外可见` `end`
包含文件 `filename.jl`	`include("filename.jl")`
加载	`using ModuleName # 导出所有名称` `using ModuleName: x, y # 仅导出 x, y` `using ModuleName.x, ModuleName.y: # 仅导出 x, y` `import ModuleName # 仅导出 ModuleName` `import ModuleName: x, y # 仅导出 x, y` `import ModuleName.x, ModuleName.y # 仅导出 x, y`
导出	`# 得到模块导出名称的数组` `names(ModuleName)` `# 包含未导出的、弃用的` `# 和编译器产生的名称` `names(ModuleName, all::Bool)` `# 也显示从其他模块显式导入的名称` `names(ModuleName, all::Bool, imported::Bool)`

using 和 import 只有一点区别：

使用 using 时，你需要写 function Foo.bar(.. 来给 Foo模块的函数 bar 增添一个新方法；而使用 import Foo.bar 时，只需写 function bar(... 就能达到同样的效果。

表达式

Julia 具有同像性：程序被表示为语言本身的数据结构。实际上 Julia 语言里的任何东西都是一个表达式 Expr。

符号(Symbols)是受限的字符串不同的(不可变)字符串只存在一个副本。，以冒号 : 为前缀。相对于其他类型来说，符号效率更高。它也经常用作标识符、字典的键或者数据表里的列名。符号不能进行拼接。

使用引用 :( ... ) 或块引用 quote ... end 可以创建一个表达式，就像 parse(str) 了解动态 SQL 的人可能会熟悉这种形式。这里的 parse 函数类似于 Oracle 和 PostgreSQL 的 EXECUTE IMMEDIATE 语句，或 SQL Server 的 sp_executesql() 过程。，和 Expr(:call, ...)。

x = 1
line = "1 + $x"         # 一些代码
expr = Meta.parse(line) # 生成一个 Expr 对象
typeof(expr) == Expr    # true
dump(expr)              # 打印生成抽象语法(AST)
eval(expr) == 2         # 对 Expr 对象求值: true

宏

宏允许你在程序中自动生成代码（如：表达式）。


定义	`macro macroname(expr)` `# 做点啥` `end`
使用	`macroname(ex1, ex2, ...)` 或 `@macroname ex1, ex2, ...`
内置的宏	`@assert # assert (单元测试)` `@which # 查看对特定参数使用的方法/查找函数所在的模块` `@time # 运行时间与内存分配统计` `@elapsed # 返回执行用时` `@allocated # 查看内存分配` `@async # 异步任务` `using Test` `@test # 精确相等` `@test x ≈ y # 近似相等 isapprox(x, y)` `using Profile` `@profile # 优化`

创建 卫生宏 (hygienic macros)的规则：

在宏的内部只通过 local 声明本地变量。
在宏的内部不使用 eval。
转义插值表达式以避免宏变大：$(esc(expr))

并行计算

并行计算相关的工具可以在标准库 Distributed 里找到。


启动带 N 各 worker 的 REPL	`julia -p N`
可用的 worker 数量	`nprocs()`
添加 N 个 worker	`addprocs(N)`
查看所有 worker 的 pid	`for pid in workers()` `println(pid)` `end`
获得正在执行的 worker 的 id	`myid()`
移除 worker	`rmprocs(pid)`
在特定 pid 的 worker 上运行 f(args)	`r = remotecall(f, pid, args...)` `# 或:` `r = @spawnat pid f(args)` `...` `fetch(r)`
在特定 pid 的 worker 上运行 f(args) (更高效)	`remotecall_fetch(f, pid, args...)`
在任意 worker 上运行 f(args)	`r = @spawn f(args) ... fetch(r)`
在所有 worker 上运行 f(args)	`r = [@spawnat w f(args) for w in workers()] ... fetch(r)`
让表达式 expr 在所有 worker 上执行	`@everywhere expr`
并行化带规约函数一个规约函数(reducer function)将不同独立 worker 的结果结合起来。 red 的循环	`sum = @distributed (red) for i in 1:10^6` `# 进行并行任务` `end`
将 f 用用到集合 coll 中的所有元素上	`pmap(f, coll)`

Worker 就是人们所说的并行/并发的进程。

需要并行化的模块，最好拆分成包含所有功能与变量的函数文件，和一个用于处理数据的驱动文件。很明显驱动文件需要导入函数文件。

一个有实际意义的规约函数的例子：单词计数 by Adam DeConinck.

输入/输出

读取流	`stream = stdin` `for line in eachline(stream)` `# 做点啥` `end`
读取文件	`open(filename) do file` `for line in eachline(file)` `# 做点啥` `end` `end`
读取 CSV 文件	`using CSV` `data = CSV.File(filename)`
写入 CSV 文件	`using CSV` `CSV.write(filename, data)`
保存 Julia 对象	`using JLD` `save(filename, "object_key", object, ...)`
读取 Julia 对象	`using JLD` `d = load(filename) # 返回对象的字典`
保存 HDF5	`using HDF5` `h5write(filename, "key", object)`
读取 HDF5	`using HDF5` `h5read(filename, "key")`

DataFrames

想要类似 dplyr 的工具，请使用 DataFramesMeta.jl.


读取 Stata, SPSS, 等文件	`using StatFiles`
描述(describe)类似于 R 中的 `summary(df)`。 data frame	`describe(df)`
得到 `col` 列的向量	`v = df[:col]`
按 `col` 排序	`sort!(df, [:col])`
分类(Categorical)类似于 R 中的 `df$col = as.factor(df$col)`。 `col`	`categorical!(df, [:col])`
列出 `col` 的级别	`levels(df[:col])`
所有满足 `col==val` 的结果	`df[df[:col] .== val, :]`
从宽格式转换为长格式	`stack(df, [1:n; ])` `stack(df, [:col1, :col2, ...])` `melt(df, [:col1, :col2])`
从长格式转换为宽格式	`unstack(df, :id, :val)`
让表格可以有空值 `Nullable`	`allowmissing!(df)` 或 `allowmissing!(df, :col)`
在行上迭代	`for r in eachrow(df)` `# 干点啥` `# r 是带属性的行名` `end`
在列上迭代	`for c in eachcol(df)` `# 干点啥` `# c 是列名和列向量的元组` `end`
将函数应用到组	`by(df, :group_col, func)`
查询	`using Query` `query = @from r in df begin` `@where r.col1 > 40` `@select {new_name=r.col1, r.col2}` `@collect DataFrame # 默认的迭代器` `end`

自我检查与反射

类型	`typeof(name)`
类型检查	`isa(name, TypeName)`
列出子类型	`subtypes(TypeName)`
列出超类型	`supertype(TypeName)`
函数方法	`methods(func)`
即时编译的字节码	`code_llvm(expr)`
汇编代码	`code_native(expr)`

值得关注的包与项目

许多核心包都是由不同的社区来管理。这些社区以 Julia + [Topic] 的形式命名。


统计	Julia Statistics
微分方程	Julia DiffEq
自动微分	Julia Diff
数值优化	Julia Opt
绘图	Julia Plots
网络(图)分析	Julia Graphs
Web	Julia Web
地理空间	Julia Geo
机器学习	Julia ML

超级常用的包

DataFrames.jl	线性/逻辑斯蒂(logistic)回归
Distributions.jl	统计分布
Flux.jl	机器学习
Gadfly.jl	类 ggplot2 的画图包
LightGraphs.jl	网络分析
TextAnalysis.jl	自然语言处理(NLP)

命名规范

Julia 代码风格主要的约定是：尽量避免使用下划线，除非不用就难于理解。
变量名小写或使用蛇形命名(snake_case)：somevariable。
常数全部大写：SOMECONSTANT。
函数名小写或使用蛇形命名(snake_case)：somefunction。
宏小写或使用蛇形命名(snake_case)：@somemacro。
类型名用首字母大写的驼峰命名：SomeType。
Julia 代码文件以 .jl 为后缀。

更详细的代码风格规范请参阅手册：代码风格指南

性能改进建议

编写类型稳定的代码
尽可能使用不可变类型
大数组用 sizehint! 预分配内存
用 arr = nothing 释放大数组的内存
使用列访问数组，因为多维数组总是以列优先的顺序储存
预分配储存结果用的数据结构
在实时应用中使用 disable_gc() 关闭垃圾收集器
避免使用关键字参数的 splat 操作符(...)
使用会改变参数的 APIs 以避免复制数据结构。(例如：以 ! 结尾的函数)
使用逐元素的数组操作，而不是列表推断(list comprehensions)
避免在计算密集的循环中使用 try-catch
避免在收集(collections)中出现 Any
避免在收集(collections)中使用抽象类型
避免在 I/O 中使用字符串插值
不像 R, MATLAB 或 Python，在 Julia 中向量化并不会提升运行速度
避免在运行时使用 eval

快速入门

一份简单而粗略的语言概览

1.0