Базовый синтаксис
Краткое введение для тех, кто не в курсе. Julia — как-бы-скриптовый язык, имеет REPL (read-evaluate-print loop, т.е. интерактивную оболочку). С первого взгляда выглядит довольно похоже на, например, Python или MATLAB.
Арифметические операции
Арифметика примерно такая же, как и везде: +, -, *, /, ^ для возведения в степень и т.д.
Сравнение: >, <, >=, <=, ==, != и т.д.
Присваивание: =.
Особенности: деление через
/
всегда возвращает дробное число; если нужна целая часть от деления двух целых чисел, нужно пользоваться операцией div(m, n)
или инфиксным эквивалентом m ? n
.Типы
Числовые типы:
- Целые (
Int
) —2
,3
,-42
- Беззнаковые целые (
UInt
) —0x12345
- С плавающей точкой (
Float32
,Float64
) —1.0
,3.1415
,-Inf
,NaN
- Рациональные (
Rational
) —3//3
,7//2
- Действительные (
Real
) — всё вышеперечисленное - Комплексные (
Complex
) —3+4*im
,2//3+2//3*im
,3.0+0.0*im
(im
— мнимая единица, комплексным считается только число с явно выписанной мнимой частью) - Число (
Number
) — всё вышеперечисленное
Строки и символы:
-
'a'
— символ (Char
) -
"a"
— строка (String
)
NB: строки, как сейчас во многих языках, иммутабельные.
NB: строки (а также имена переменных) поддерживают Юникод, в том числе и эмодзи.
Массивы:
-
x = [1, 2, 3]
— задание массива прямым перечислением элементов - специальные конструкторы:
zeros(length)
для массива из нулей,ones(length)
для массива из единиц,rand(length)
для массива из случайных чисел и др. - поддержка многомерных массивов
- поддержка операций линейной алгебры (сложение массивов, умножение на скаляр, умножение матрицы на вектор и многое другое) в стандартной библиотеке
NB: индексация всех коллекций идёт начиная с единицы.
NB: т.к. язык предназначен для вычислительных задач, массивы — один из наиболее важных типов, к принципам их работы ещё не раз придётся возвращаться.
Кортежи (упорядоченный набор элементов, иммутабельные):
-
(2, 5.3, "k")
— обычный кортеж -
(a = 3, b = 4)
— именованный кортеж
NB: к полям именованного кортежа можно обращаться как по имени через точку, так и по индексу через []
julia> x = (a = 5, b = 12)
(a = 5, b = 12)
julia> x[1]
5
julia> sqrt(x.a^2 + x[2]^2)
13.0
Словари:
julia> x = Dict('a' => 5, 'b' => 12)
Dict{Char,Int64} with 2 entries:
'a' => 5
'b' => 12
julia> x['c'] = 13
13
julia> x
Dict{Char,Int64} with 3 entries:
'a' => 5
'c' => 13
'b' => 12
Основные управляющие конструкции языка
1. Переменные автоматически создаются при присваивании. Тип указывать необязательно.
julia> x = 7; x + 2
9
julia> x = 42.0; x * 4
168.0
2. Блок условного перехода начинается с выражения
if <condition>
и заканчивается словом end
. Можно также иметь else
-ветку или elseif
-ветки:if x > y
println("X is more than Y")
elseif x == y
println("X and Y are equal")
else
println("X is less than Y")
end
3. Есть две конструкции циклов:
while
и for
. Второй работает как в Python, т.е. проводит итерирование по коллекции. Частое применение — итерирование по диапазону значений, синтаксис которого start[:increment]:end
. В отличие от Python, диапазон включает как начальное, так и конечное значения, т.е. пустой диапазон будет не 1:1
(это диапазон из одного значения 1), а 1:0
. Конец тела цикла маркируется словом end
.julia> for i in 1:3; print(i, " "); end # диапазон от 1 до 3 с шагом 1 (по умолчанию)
1 2 3
julia> for i in 1:2:3; print(i, " "); end # диапазон от 1 до 3 с шагом 2
1 3
4. Функции задаются ключевым словом
function
, определение функции также завершается словом end
. Поддерживаются аргументы со значениями по умолчанию и именованные аргументы.function square(x)
return x * x
end
function cube(x)
x * square(x) # последнее вычисленное значение возвращается из блока кода; return не обязателен
end
function root(x, degree = 2)
# аргумент degree имеет значение по умолчанию
return x^(1.0/degree)
end
function greeting(name; times = 42, greet = "hello")
# именованные аргументы отделяются точкой с запятой
println(times, " times ", greet, " to ", name)
end
julia> greeting("John")
42 times hello to John
julia> greeting("Mike", greet = "wassup", times = 100500) # именованные аргументы при вызове функции могут стоять в любом порядке
100500 times wassup to Mike
В целом, это всё довольно похоже на Python, если не считать мелких отличий в синтаксисе и того, что блоки кода выделяются не пробелами, а всё-таки ключевыми словами. В простых случаях программы на Python даже транслируются в Julia практически один к одному.
Но есть существенное отличие в том, что в Julia для переменных можно явно указывать типы, что позволяет компилировать программы, получая быстрый код.
Второе существенное отличие — в том, что в Python реализована «классическая» модель ООП с классами и методами, а в Julia реализована модель множественной диспетчеризации.
Аннотации типов и множественная диспетчеризация
Посмотрим, что представляет собой какая-нибудь встроенная функция:
julia> sqrt
sqrt (generic function with 19 methods)
Как показывает нам REPL,
sqrt
— это обобщённая функция с 19 методами. Что за обобщённая функция и что за методы?А означает это то, что есть несколько функций
sqrt
, которые применяются к разным типам аргументов и, соответственно, вычисляют квадратный корень по различным алгоритмам. Посмотреть, какие есть варианты, можно, набравjulia> methods(sqrt)
Видно, что функция определена для разных типов чисел, а также для матриц.
В отличие от «классического» ООП, где конкретная реализация метода определяется только вызывающим классом (диспетчеризация по первому аргументу), в Julia выбор функции определяется типами (и количеством) всех её аргументов.
При вызове функции с конкретными аргументами из всех её методов выбирается тот, который наиболее точно описывает конкретный набор типов, с которыми функция вызвана, и именно он применяется.
Отличительной особенностью является то, что применяется подход, называемый авторами языка «just ahead-of-time» компиляцией. Т.е. функции компилируются для заданных типов данных при первом вызове, после чего следующие вызовы выполняются гораздо быстрее. Разница между первым и последующими вызовами может быть весьма существенной:
julia> @time sqrt(8) # макрос @time - простое встроенное средство измерения производительности
0.006811 seconds (3.15 k allocations: 168.516 KiB) # на самом деле, это время и выделение памяти при компиляции
2.8284271247461903
julia> @time sqrt(15)
0.000002 seconds (5 allocations: 176 bytes) # 5 выделений памяти - это от вызова макроса @time
3.872983346207417
В плохом случае каждый вызов функции — это проверка типов получаемых аргументов и поиск нужного метода в списке. Однако, если компилятору давать подсказки, проверки можно исключить, что приведёт к более быстрому коду.
Для примера, рассмотрим вычисление суммы
function mysqrt(num)
# если аргумент положителен - возвращает обычный квадратный корень
# если нет - преобразует аргумент к комплексному числу и извлекает корень из него
if num >= 0
return sqrt(num)
else
return sqrt(complex(num))
end
end
function S(n)
# оставим автоопределение типа
sum = 0
sgn = -1
for k = 1:n
sum += mysqrt(sgn)
sgn = -sgn
end
return sum
end
function S_typed(n::Integer)
# т.к. уже первое слагаемое получается комплексное, то ответ должен быть комплексным
# тип переменных указывается через
sum::Complex = 0.0
sgn::Int = -1
for k = 1:n
sum += mysqrt(sgn)
sgn = -sgn
end
return sum
end
Бенчмарк показывает, что функция
S_typed()
не только выполняется быстрее, но ещё и не требует выделений памяти при каждом вызове, в отличие от S()
. Проблема тут в том, что тип возвращаемого из mysqrt()
значения не определён, как и тип правой части выраженияsum = sum + mysqrt(sgn)
Как следствие, компилятор даже не может понять, какого типа будет
sum
на каждой итерации. А значит, боксинг (прицепление метки типа) переменной и выделение памяти.Для функции
S_typed()
компилятор заранее знает, что sum
— это комплексное значение, поэтому код получается более оптимизированным (в частности, вызов mysqrt()
можно эффективно заинлайнить, приводя возвращаемое значение всегда к Complex
).Что ещё важнее, для
S_typed()
компилятор знает, что возвращаемое значение имеет тип Complex
, а вот для S()
тип выходного значения опять не определён, что будет замедлять и все функции, где S()
будет вызываться.Проверить, что компилятор думает о типах, возвращаемых из выражения, можно с помощью макроса
@code_warntype
:julia> @code_warntype S(3)
Body::Any # компилятор не знает до вычисления, какого типа будет возвращаемое значение
...
julia> @code_warntype S_typed(3)
Body::Complex{Float64} # компилятор сразу знает возвращаемый тип
...
Если у вас где-то в цикле вызывается функция, для которой
@code_warntype
не может вывести возвращаемый тип, или для которой он в теле где-то показывает получение значения типа Any
— то оптимизация этих вызовов с большой вероятностью даст очень ощутимый прирост производительности.Составные типы
Программист может определить составные типы данных для своих нужд с помощью конструкции
struct
:julia> struct GenericStruct
# внутри блока struct идёт перечисление полей
name
b::Int
c::Char
v::Vector
end
# конструктор по умолчанию принимает позиционные аргументы
# и присваивает их полям в том порядке, в котором они идут в объявлении типа
julia> s = GenericStruct("Name", 1, 'z', [3., 0])
GenericStruct("Name", 1, 'z', [3.0, 0.0])
julia> s.name, s.b, s.c, s.v
("Name", 1, 'z', [3.0, 0.0])
Структуры в Julia иммутабельны, т.е., создав экземпляр структуры, поменять значения полей уже нельзя (точнее, нельзя поменять адрес полей в памяти — элементы мутабельных полей, как, например,
s.v
в примере выше, могут быть изменены). Мутабельные структуры создаются конструкцией mutable struct
, синтаксис которой такой же, как и для обычных структур.Наследование структур в «классическом» смысле не поддерживается, однако есть возможность «наследования» поведения путём объединения составных типов в надтипы или, как они называются в Julia, абстрактные типы. Отношения типов выражаются как
A<:B
(A — подтип B) и A>:B
(A — надтип B). Выглядит примерно так:abstract type NDimPoint end # абстрактный тип - нужен только как интерфейс
# считаем, что производные типы - это просто кортежи из N чисел
struct PointScalar<:NDimPoint
x1::Real
end
struct Point2D<:NDimPoint
x1::Real
x2::Real
end
struct Point3D<:NDimPoint
x1::Real
x2::Real
x3::Real
end
# документация пишется перед определением функции; поддерживается форматирование Markdown
"""
mag(p::NDimPoint)
Calculate the magnitude of the radius vector of an N-dimensional point `p`
"""
function mag(p::NDimPoint)
sqrmag = 0.0
# т.к. размерность точно неизвестна, нужно итерировать по всем полям структуры
# имена полей для типа T получаются вызовом fieldnames(T)
for name in fieldnames(typeof(p))
sqrmag += getfield(p, name)^2
end
return sqrt(sqrmag)
end
"""
add(p1::T, p2::T) where T<:NDimPoint
Calculate the sum of the radius vectors of two N-dimensional points `p1` and `p2`
"""
function add(p1::T, p2::T) where T<:NDimPoint
# сложение - уже сложнее, т.к. оба аргумента должны быть одинаковых типов
# для получения компонентов используется list comprehension
sumvector = [Float64(getfield(p1, name) + getfield(p1, name)) for name in fieldnames(T)]
# возвращаем точку того же типа, что и аргументы
# оператор ... разбивает коллекцию на отдельные аргументы функции, т.е.
# f([1, 2, 3]...) - это то же, что f(1, 2, 3)
return T(sumvector...)
end
Case study: Полиномы
Система типов вкупе с множественной диспетчеризацией удобна для выражения математических понятий. Рассмотрим на примере простой библиотеки для работы с полиномами.
Введём два типа полиномов: «канонический», задаваемый через коэффициентами при степенях, и «интерполяционный», задаваемый набором пар (x, f(x)). Для простоты рассматривать будем только действительные аргументы.
Для хранения многочлена в обычной записи подходит структура, имеющая в качестве поля массив или кортеж коэффициентов. Чтобы было совсем иммутабельно, пусть будет кортеж. Таким образом, код для задания абстрактного типа, структуры многочлена и вычисления значения многочлена в заданной точке довольно простой:
abstract type AbstractPolynomial end
"""
Polynomial <: AbstractPolynomial
Polynomials written in the canonical form
"""
struct Polynomial<:AbstractPolynomial
degree::Int
coeff::NTuple{N, Float64} where N # NTuple{N, Type} - тип кортежа из N элементов одинакового типа
end
"""
evpoly(p::Polynomial, z::Real)
Evaluate polynomial `p` at `z` using the Horner's rule
"""
function evpoly(p::Polynomial, z::Real)
ans = p.coeff[end]
for idx = p.degree:-1:1
ans = p.coeff[idx] + z * ans
end
return ans
end
Для интерполяционных полиномов нужна другая структура представления и способ вычисления. В частности, если набор точек интерполяции известен заранее, и один и тот же многочлен планируется вычислять в разных точках, удобна интерполяционная формула Ньютона:
где nk(x) — базисные полиномы, n0(x) и для k>0
где xi — узлы интерполяции.
Из приведённых формул видно, что хранение удобно организовать в виде набора узлов интерполяции xi и коэффициентов ci, а вычисление может быть сделано способом, аналогичным схеме Горнера.
"""
InterpPolynomial <: AbstractPolynomial
Interpolation polynomials in Newton's form
"""
struct InterpPolynomial<:AbstractPolynomial
degree::Int
xval::NTuple{N, Float64} where N
coeff::NTuple{N, Float64} where N
end
"""
evpoly(p::Polynomial, z::Real)
Evaluate polynomial `p` at `z` using the Horner's rule
"""
function evpoly(p::InterpPolynomial, z::Real)
ans = p.coeff[p.degree+1]
for idx = p.degree:-1:1
ans = ans * (z - p.xval[idx]) + p.coeff[idx]
end
return ans
end
Функция для вычисления значения полинома в обоих случаях называется одинаково —
evpoly()
— но принимает разные типы аргументов.Кроме функции вычисления, неплохо бы ещё написать функцию, создающую полином по известным данным.
Для этого в Julia есть две методики: внешние конструкторы и внутренние конструкторы. Внешний конструктор — это просто функция, возвращающая объект соответствующего типа. Внутренний конструктор — это функция, которая вводится внутри описания структуры и заменяет собой стандартный конструктор. Для построения интерполяционных полиномов целесообразно использовать именно внутренний конструктор, поскольку
- получить полином удобнее не через узлы интерполяции и коэффициенты, а через узлы и значения интерполируемой функции
- узлы интерполяции должны обязательно быть различными
- число узлов и коэффициентов должно совпадать
Написание внутреннего конструктора, в котором гарантированно будут соблюдаться эти правила, гарантирует, что все создаваемые переменные типа
InterpPolynomial
, по крайней мере, могут корректно быть обработаны функцией evpoly()
.Напишем конструктор обычных полиномов, принимающий на вход одномерный массив или кортеж коэффициентов. Конструктор интерполяционного полинома принимает на вход узлы интерполяции и желаемые значения в них и использует метод разделенных разностей для вычисления коэффициентов.
"""
Polynomial <: AbstractPolynomial
Polynomials written in the canonical form
---
Polynomial(v::T) where T<:Union{Vector{<:Real}, NTuple{<:Any, <:Real}})
Construct a `Polynomial` from the list of the coefficients. The coefficients are assumed to go from power 0 in the ascending order. If an empty collection is provided, the constructor returns a zero polynomial.
"""
struct Polynomial<:AbstractPolynomial
degree::Int
coeff::NTuple{N, Float64} where N
function Polynomial(v::T where T<:Union{Vector{<:Real},
NTuple{<:Any, <:Real}})
# в случае пустого массива / кортежа в аргументе возвращаем P(x) ? 0
coeff = isempty(v) ? (0.0,) : tuple([Float64(x) for x in v]...)
# возврат значения - специальным оператором new
# аргументы - перечисление значений полей
return new(length(coeff)-1, coeff)
end
end
"""
InterpPolynomial <: AbstractPolynomial
Interpolation polynomials in Newton's form
---
InterpPolynomial(xsample::Vector{<:Real}, fsample::Vector{<:Real})
Construct an `InterpPolynomial` from a vector of points `xsample` and corresponding function values `fsample`. All values in `xsample` must be distinct.
"""
struct InterpPolynomial<:AbstractPolynomial
degree::Int
xval::NTuple{N, Float64} where N
coeff::NTuple{N, Float64} where N
function InterpPolynomial(xsample::X,
fsample::F) where {X<:Union{Vector{<:Real},
NTuple{<:Any, <:Real}},
F<:Union{Vector{<:Real},
NTuple{<:Any, <:Real}}}
# проверки на то, что все узлы различны, и значений f столько же, сколько узлов
if !allunique(xsample)
throw(DomainError("Cannot interpolate with duplicate X points"))
end
N = length(xsample)
if length(fsample) != N
throw(DomainError("Lengths of X and F are not the same"))
end
coeff = [Float64(f) for f in fsample]
# алгоритм расчета разделенных разностей (Stoer, Bulirsch, Introduction to Numerical Analysis, гл. 2.1.3)
for i = 2:N
for j = 1:(i-1)
coeff[i] = (coeff[j] - coeff[i]) / (xsample[j] - xsample[i])
end
end
new(N-1, tuple([Float64(x) for x in xsample]...), tuple(coeff...))
end
end
Кроме собственно генерации полиномов, неплохо бы иметь возможность производить с ними арифметические действия.
Поскольку в Julia арифметические операторы — это обычные функции, к которым в качестве синтаксического сахара добавлена инфиксная запись (выражения
a + b
и +(a, b)
— оба допустимы и абсолютно идентичны), то перегрузка их делается точно так же, как и написание дополнительных методов к своим функциям.Единственный тонкий момент — пользовательский код запускается из модуля (пространства имён)
Main
, а функции стандартной библиотеки находятся в модуле Base
, поэтому при перегрузке нужно либо импортировать модуль Base
, либо писать полное имя функции.Итак, добавляем сложение полинома с числом:
# из-за особенностей парсера Base.+ не работает,
# и нужно писать Base.:+, что означает "символ :+ из модуля Base"
function Base.:+(p::Polynomial, x::Real)
Polynomial(tuple(p.coeff[1] + x, p.coeff[2:end]...))
end
function Base.:+(p::InterpPolynomial, x::Real)
# т.к. стандартный конструктор заменён на построение интерполяции по узлам и значениям -
# при сложении с числом нужно пересчитать значения во всех узлах.
# Если операцию сложения планируется использовать часто -
# стоит добавить конструктор по узлам и коэффициентам
fval::Vector{Float64} = [evpoly(p, xval) + x for xval in p.xval]
InterpPolynomial(p.xval, fval)
end
# чтобы сложение работало в любом порядке
function Base.:+(x::Real, p::AbstractPolynomial)
return p + x
end
Для сложения двух обычных полиномов достаточно сложить коэффициенты, а при сложении интерполяционного полинома с другим можно найти значения суммы в нескольких точках и построить новую интерполяцию по ним.
function Base.:+(p1::Polynomial, p2::Polynomial)
# при сложении нужно учесть, какой должна быть наивысшая степень
deg = max(p1.degree, p2.degree)
coeff = zeros(deg+1)
coeff[1:p1.degree+1] .+= p1.coeff
coeff[1:p2.degree+1] .+= p2.coeff
Polynomial(coeff)
end
function Base.:+(p1::InterpPolynomial, p2::InterpPolynomial)
xmax = max(p1.xval..., p2.xval...)
xmin = min(p1.xval..., p2.xval...)
deg = max(p1.degree, p2.degree)
dx = xmax - xmin
# для построения суммы строим чебышёвскую сетку между минимальным
# и максимальным из узлов обоих полиномов
chebgrid = zeros(deg+1)
for k = 1:deg-1
chebgrid[k+1] = xmax - 0.5 * dx * (1 + cos((k - 0.5) * ? / (deg - 1)))
end
chebgrid[1] = xmin
chebgrid[end] = xmax
fsample = [evpoly(p1, x) + evpoly(p2, x) for x in chebgrid]
InterpPolynomial(chebgrid, fsample)
end
function Base.:+(p1::InterpPolynomial, p2::Polynomial)
xmax = max(p1.xval...)
xmin = min(p1.xval...)
deg = max(p1.degree, p2.degree)
dx = xmax - xmin
chebgrid = zeros(deg+1)
for k = 1:deg-1
chebgrid[k+1] = xmax - 0.5 * dx * (1 + cos((k - 0.5) * ? / (deg - 1)))
end
chebgrid[1] = xmin
chebgrid[end] = xmax
fsample = [evpoly(p1, x) + evpoly(p2, x) for x in chebgrid]
InterpPolynomial(chebgrid, fsample)
end
function Base.:+(p1::Polynomial, p2::InterpPolynomial)
p2 + p1
end
Таким же образом можно добавить и другие арифметические операции над полиномами, в результате получив представление их в коде в естественной математической записи.
Пока на этом всё. Постараюсь дальше написать про реализацию других численных методов.
При подготовке использованы материалы:
- Документация языка Julia: docs.julialang.org
- Площадка обсуждения языка Julia: discourse.julialang.org
- J.Stoer, W. Bulirsch. Introduction to Numerical Analysis
- Хаб Julia: habr.com/ru/hub/julia
- Think Julia: benlauwens.github.io/ThinkJulia.jl/latest/book.html
Комментарии (10)
aamonster
08.05.2019 10:30А полиморфизм (ну в смысле выбор реализации в зависимости от типа аргументов) статический (compile-time, как в шаблонах C++ или в Haskel) или динамический (как в виртуальных методах C++/C#/Java/...)?
Если первое – то мультиметоды не так интересны, у нас есть :-)
Если второе – то интересно, как устроено и какие накладные расходы.rssdev10
08.05.2019 11:32+1У Julia есть абстрактные и конкретные типы. Абстрактные всегда пустые, но могут наследоваться. Конкретные могут инстанцироваться и иметь поля. Для любого метода можно указать либо тип, к которому его конкретно надо примениять, либо указать, что тип абстрактный, и применять к любому из потомков.
То есть, ответ — полиморфизм статический. Однако методы для обработки наших типов можем писать где угодно. Обычно вместе с определением типа. Шаблоны C++ или Java generics — это, как раз, наиболее близкий аналог.
Pand5461 Автор
08.05.2019 12:05+1Комбинация того и того.
Если тип аргумента может быть выведен на этапе компиляции — диспетчеризуется статически. Если нет — то динамически. Динамически идёт через боксинг, выделение памяти и вообще дорого. Пример второго я привёл в статье, или можно посмотреть примеры в документации.
Хорошим тоном считается динамическую диспетчеризацию избегать, т.е. писать такой код, в котором тип возвращаемых из функций значений однозначно определяется типами аргументов.
aamonster
08.05.2019 12:35+1Мне почему интересно: динамическая диспетчеризация для мультиметодов при наличии наследования может оказаться достаточно неоднозначной (например, f(a,b), перекрыты f(a:any,b:B) и f(a:A,b:any) – какой из методов использовать для f(a:A,b:B) и как определить, что именно этот метод? VMT для всех возможных комбинаций типов аргументов жирновата будет) – интересны приёмы решения в разных языках.
Pand5461 Автор
08.05.2019 13:18+1Julia говорит "вы сначала определитесь, а потом просите".
Видео с JuliaCon про работу компилятора.
На стэковерфлоу рекомендуют ещё диссер Безансона почитать.
rssdev10
08.05.2019 14:42julia> a(x::Any, b::Float64) = nothing a (generic function with 1 method) julia> a(b::Float64, t::Any) = 1 a (generic function with 2 methods) julia> methods(a) # 2 methods for generic function "a": [1] a(x, b::Float64) in Main at REPL[1]:1 [2] a(b::Float64, t) in Main at REPL[2]:1 julia> a(1.0, 1.0) ERROR: MethodError: a(::Float64, ::Float64) is ambiguous. Candidates: a(b::Float64, t) in Main at REPL[2]:1 a(x, b::Float64) in Main at REPL[1]:1 Possible fix, define a(::Float64, ::Float64) Stacktrace: [1] top-level scope at none:0
Нет здесь динамики в понимании виртуальных функций ООП. Она выбирает метод чётко по типам. Если не может однозначно привести тип, то получите ошибку как в приведённом фрагменте выше. Впрочем, даёт рекомендацию о том, что делать:
Possible fix, define a(::Float64, ::Float64)
lostmsu
Имхо, синтаксис языка ужасен. Глядя на него, мне не понятно что заставляет людей думать, будто Julia — язык для вычислений будущего.
Pand5461 Автор
Ужасен по сравнению с чем?
Для меня пока серьёзных неудобств только два: это отсутствие C-подобного
for
и слишком много способов определить функцию:rssdev10
Конкретно в этом примере код перегружен. Вопрос о причинах — к автору. Циклы в Julia используются редко. В большинстве случаев они заменяются применением функции к итератору. Например:
скорее встретится в форме:
Или
Pand5461 Автор
mapreduce
семантически действительно лучше, это я конкретно в этой публикации решил не вводить ещё и лямбды.Хотя с тем, что циклы не нужны — не согласен. Если делать какой-то численный метод — внутри там придётся, скорее всего, таки придётся делать "Fortran in any language" (столкнулся с этим).