我們知道，百度首頁的結果一定是廣大人民群眾最關注、最為熟知的內容。
而如此一門小眾的語言，居然能蓋過著名女影星，登上搜索結果第一條，可見它的火爆程度。
就此事件，記者詢問了身邊的程序員。程序員紛紛表示可以給記者分享珍藏在硬盤裡，Julia 歷年來出演的所有影片。
所以記者認為有必要解釋一下 Julia 到底是什麼：
這門語言很年輕，誕生至今也不到10年，前段時間才正式進入1.0版本。
所以大家下次看到招聘要求10年Julia開發經驗的，絕對不要去。
Julia，R 和 Python 誰的勢力大
因為 R 語言設計的初衷就是應用在科研領域。所以這次的三方勢力比拼，我們限制在數據研究領域：
根據上圖 KDnugget 的調查顯示，2016年的時候，R 佔據了 42% 的份額成為 dalao，Python 緊隨其後成為 dalao 的小老弟，Julia 根本就默默無聞。
沒想到短短一年時間，雙方的位置就互換了。然後 Julia 還是保持了默默無聞。
可見即使在特別垂直的領域，Python 這種粘合劑語言配合強大的第三方庫，也是擁有恐怖的戰力。
Julia，R 和 Python 誰更狠一點？
背景介紹
就此問題，人工智能頭條記者找到了戴卓嘉。他是一名擁有10年金融開發經驗的數據科學家、全棧開發者、信用風險模型團隊leader。並獲得授權，翻譯他的文章《Julia vs R vs Python: simple optimization》。戴卓嘉對三種語言的熟悉程度分別是：
有人做過測試，不依賴第三方裝備的情況下，在計算比10⁵更小數的時候 Python 還是要比Julia快的。從10⁵開始，Julia 的速度就比 Python 比更快還快了。
這也是為什麼 Julia 的佈道者 Chris Rackauckas 說，在處理10秒內就能解決的小問題時，並不能體現出 Julia 的優勢。而一旦問題複雜到一定程度，Julia 的優勢就體現出來了。
本次實例，嘗試使用三種語言，分別去優化一個似然函數。屬於比較小的優化問題，可能在性能上的差距不是很明顯。但在解決問題的過程中，還是很好的體現了三者之間的優劣勢。
接下來，我們就開始這段優化吧。
問題描述
指定一個觀察序列 Q₁, Q₂, Q₃...Q៷，我們的目標是找出可以優化下面這個似然函數的參數μ和σ
通常我們是去優化對數似然
在統計學上，這是截斷正態分佈的最大似然估計（MLE）。
使用 Julia
利用Optim.jl對符號的支持，可以直接使用希臘字母μσ作為變量名。
在下面硬編碼了準備在MLE估計中使用的 Q_t 的值
最終輸出效果，看起來非常舒服，格式經過精心的排版，描述也經過了精心的處理。完美的支持數學公式顯示。
評分：
使用 R
使用 truncnorm包來處理截斷正態
輸出結果顯示
只能用一個詞形容：簡單粗暴！
評分：
使用 Python
代碼
輸出結果顯示
雖然比 R 是強了不少，但跟 Julia 還是沒法比。而且不支持數學公式
評分
最終用一個表格來總結一下此次對比結果：
閱讀更多 程序員小新人學習 的文章
