|
最近MIT发布的julia 1.0.0版，据传整合了C、Python、R等诸多语言特色，是数据科学领域又一把顶级利器。 周末心血来潮赶快体验了一把，因为用习惯了jupyter notebook，安装完julia 1.0.0之后就配置好了jupyter notebook。 在安装配置环境阶段就遭遇了不少坑，吃了不少苦头，这里不得不吐槽级距，julia的安装配置一点儿也不比python简单，自己配置原生环境，结果下载包各种不兼容，想要导入本地数据，需要解决CSV包、xlsx包的接口问题，总之一路坎坷。 这里把自己走过的弯路总结一下，方便后来者学习！ 1、环境选择：强烈建议选择JuliaPro来安装，这里稍稍说明一下，julia虽然在8月8日更新了Julia 1.0.0版本，但是作为一门新兴语言，它的版本后向兼容实在是不敢恭维，原生环境里面一个包都不给配置，需要自己一个一个下载。所以选择了JuliaPro这个集成环境（主要集成了Atom juno【julia的第三方IDE】、jupyter notebook【浏览器端的编辑器】）。主要是JuliaPro初始化就配置了好几十个常用的包，省的自己一个个下载还不一定能搞定各种路径配置。 下载JuliaPro并安装之后，会有三个主要入口：
第一个是Atom juno的环境，相当于PyCharm之于Python,第二个是julia的命令行，第三个是Jupyter notebook编辑环境。如果是要单独下载原生环境并手动配置的话，需要摸索各种难题（还不一定能在网上找到解决方案）。 2、常用文件管理工具：julia的包管理工具类似Pyrhon中的conda，叫做Pkg： Pkg.add('packages') #安装包
Pkg.build('packages') #配置包
Pkg.rm('packages') #卸载包
using packages #加载包
import PyCall #与using功能一样（和Python的导入相同）
using IJulia #IJulia是julia与jupyter notebook之间的连接器
notebook() #启动jupyter环境
Pkg.status() #查看当前环境中的包列表
Pkg.installed() #查看已经安装的包信息
homedir() #获取当前用户目录
pwd() #获取当前工作目录
cd('D:/') #设定当前工作目录
cd('C:/Users/RAINDU/Desktop/')
include('hello.jl') #脚本执行（julia环境中）
julia script.jl arg1 arg2... #终端命令行执行3、文件I/O常用环境：3.1 TXT文件导入导出：可恶的中文乱码。最简单的办法就是手动修改编码为UTF-8然后再次导入。 CSV.write('out.csv', mydata) #数据导出3.2 xlsx文件导入导出4、基本数据类型4.1 字符串 char = 'hello,world!'
julia> char = 'hello,world!'
'hello,world!'
julia> print(char)
hello,world!
julia> length(char)
12
julia> char[1]
'h': ASCII/Unicode U 0068 (category Ll: Letter, lowercase)
julia> char[end]
'!': ASCII/Unicode U 0021 (category Po: Punctuation, other)
julia中字符串可以继续遍历（区别于R，与Python相同）
Julia中区别标量和向量（区别于R，同Python）4.2 列表4.3 元组julia> my_tuple = ('hello','world')
('hello', 'world')
julia> typeof(my_tuple)
Tuple{String,String}
julia> getindex(my_tuple,2)
'world'typeof()函数可以用于检查数据对象的类型结构（同R中的typeof，区别于Python中的type()） julia中的索引从1开始，区别于Python中的从0开始，与R相同。 4.4 字典4.5 数据框using DataFrames #julia的数据框并非内置类型，而是需要额外加载包 julia> DataFrame(A = 1:4, B = ['M', 'F', 'F', 'M'])
4×2 DataFrames.DataFrame
│ Row │ A │ B │
├-──┼─-┼─-┤
│ 1 │ 1 │ M │
│ 2 │ 2 │ F │
│ 3 │ 3 │ F │
│ 4 │ 4 │ M │
df = DataFrame()
df[:A] = 1:8
df[:B] = ['M', 'F', 'F', 'M', 'F', 'M', 'M', 'F']
8×2 DataFrames.DataFrame
│ Row │ A │ B │
├-──┼-─┼-─┤
│ 1 │ 1 │ M │
│ 2 │ 2 │ F │
│ 3 │ 3 │ F │
│ 4 │ 4 │ M │
│ 5 │ 5 │ F │
│ 6 │ 6 │ M │
│ 7 │ 7 │ M │
│ 8 │ 8 │ F │
julia> size(df, 1) #数据框行数
8
julia> size(df, 2) #数据框列数
2
head(df) #预览指定行
tail(df) #预览指定列
julia> size(df) #数据框维度（包含行列）
(8, 2)
julia> df[1:3, :] #索引行列
3×2 DataFrames.DataFrame
│ Row │ A │ B │
├─-─┼-─┼-─┤
│ 1 │ 1 │ M │
│ 2 │ 2 │ F │
│ 3 │ 3 │ F │
julia> df[1:3, 2]
3-element Array{String,1}:
'M'
'F'
'F'在数据框索引这一点儿上，julia是吸收了R和Python的特点，即允许直接基于数据框 本身索引行列，使用 范围符号numA:numB，同时默认取所有列或行时用：。 关于数据合并： names = DataFrame(ID = [20, 40], Name = ['John Doe', 'Jane Doe'])
jobs = DataFrame(ID = [20, 40], Job = ['Lawyer', 'Doctor'])
join(names, jobs, on = :ID)现实中数据合并的多种情况，julia中的DataFrames中的dataframe都能够很好地满足。 5 简单的聚合运算 using DataFrames, CSV
iris = CSV.read(joinpath(Pkg.dir('DataFrames'), 'test/data/iris.csv'));
julia> by(iris, :Species, size) #分类计数运算
3×2 DataFrames.DataFrame
│ Row │ Species │ x1 │
├─-─┼──────┼──-──┤
│ 1 │ setosa │ (50, 5) │
│ 2 │ versicolor │ (50, 5) │
│ 3 │ virginica │ (50, 5) │
by(iris, :Species, df -> mean(df[:PetalLength]))这里:Species代表列引用，df -> mean(df[:PetalLength])这一句中的df并无实际意义，仅仅是julia中的匿名函数。所以df写成什么并无所谓。 julia> by(iris, :Species, x -> mean(x[:PetalLength]))
3×2 DataFrames.DataFrame
│ Row │ Species │ x1 │
├──-┼──────┼-───┤
│ 1 │ setosa │ 1.462 │
│ 2 │ versicolor │ 4.26 │
│ 3 │ virginica │ 5.552 │可以看到结果一模一样。 分类计数的另一种写法。 by(iris, :Species,df -> DataFrame(m = mean(df[:PetalLength]), s² = var(df[:PetalLength])))
julia> by(iris, :Species,df -> DataFrame(m = mean(df[:PetalLength]), s² = var(df[:PetalLength])))
3×3 DataFrames.DataFrame
│ Row │ Species │ m │ s² │
├──-┼──────┼─-----────────┤
│ 1 │ setosa │ 1.462 │ 0.0301592 │
│ 2 │ versicolor │ 4.26 │ 0.220816 │
│ 3 │ virginica │ 5.552 │ 0.304588 │
aggregate(iris, :Species, length) #聚合每一个类别的长度
aggregate(iris, :Species, [sum, mean]) #同时聚合汇总、均值
#长宽转换操作-由宽转长
d = melt(iris, :Species);6. 日期&时间处理 6.一些好用的魔法工具6.1 函数julia中的函数定义很有意思，如果是尊重语法规范，应该是这样定义 function f_jisaun(x)
result = x^2 2x - 1
return result
end
julia> f_jisaun(5)
34以上函数定义可简化为： 几乎接近代数运算中对函数的定义。 6.1 匿名函数匿名函数配合map高阶函数可以实现快速计算 n_fun = x -> x^2 2x - 1 #匿名函数
map(round, [1.2,3.5,1.7])
julia> map(round, [1.2,3.5,1.7])
3-element Array{Float64,1}:
1.0
4.0
2.0
map(n_fun, [1.2,3.5,1.7])
julia> map(n_fun, [1.2,3.5,1.7])
3-element Array{Float64,1}:
2.84
18.25
5.296.2 列表表达式7 控制流与逻辑判断7.1 for 循环function my_fun(h)
i = []
for c in 1:h
if c%3 == 0
push!(i,c)
end
end
return i
end7.2 while 循环function my_fun(h)
i = []
range = 1
while range <= 100
if range%3 == 0
push!(i,range)
end
range = 1
end
return i
end
julia> my_fun(100)
33-element Array{Any,1}:
3
6
9
12
15
18
21
24
27
30
33
36
39
⋮
66
69
72
75
78
81
84
87
90
93
96
99以上便是初次体验julia学会的一些简单知识点，以后有时间还会继续学习julia~ |
|
|
来自： 非线性co7vtwr8 > 《julia语言》
