Secondo quanto affermato dai sostenitori di Julia, per analizzare una grande quantità di dati su file CSV il linguaggio di programmazione Julia sembra essere migliore rispetto ai rivali Python e R.
Linguaggio Julia, la scelta migliore per l’analisi dei big-data su file CSV?
Il machine learning ha fatto crescere notevolmente Python rendendolo il linguaggio di programmazione più popolare tra gli sviluppatori, insieme a Java e JavaScript.
Tuttavia, anche Julia, un linguaggio giovane con radici nel Computer Science and Artificial Intelligence Lab (CSAIL) del MIT, è degno di nota avendo trovato un buon pubblico di riferimento tra i data scientist.
Julia non è tra i primi 10 linguaggi di programmazione che gli sviluppatori usano, ma è tra i 10 linguaggi di programmazione più amati secondo il sondaggio di Stack Overflow di quest’anno, insieme a Rust, TypeScript, Python, Kotlin, Go, Dart, C#, Swift, JavaScript e SQL.
Il linguaggio Julia è stato adottato da alcuni programmatori anche per la sua velocità simile al linguaggio C.
Un suo recente aggiornamento ha migliorato il multi-threading per offrire ulteriori miglioramenti in termini di velocità ed è proprio questo ciò che gli sviluppatori di Julia sostengono essere il notevole vantaggio rispetto a Python e al linguaggio di programmazione statistico R.
Secondo Deepak Suresh, un ingegnere del machine learning della Julia Computing, le capacità di multi-threading danno alle librerie Julia un vantaggio rispetto ai due rivali con diversi set di dati accessibili da file CSV.
Da un confronto tra il fread di R, il Pandas read_csv di Python e il CSV.jl di Julia, Suresh ritiene che Julia ne esca vincente. “Il CSV.jl di Julia è da 1,5 a 5 volte più veloce di Pandas anche su un singolo core; con il multi-threading abilitato, è altrettanto veloce o più veloce del read_csv di R”, nota.
Infine, come spiegato da Suresh, il CSV.jl di Julia è l’unico strumento che è “completamente implementato nel suo linguaggio di livello superiore piuttosto che essere implementato in C”.