knitr::opts_chunk$set(echo = TRUE)
knitr::knit_engines$set(julia = JuliaCall::eng_juliacall)Julia越来越火了，有逐渐超越c++、python、R成为下一把屠龙宝刀的潜质。目前语言在1.0版本发布后，已经逐渐稳定。
现在来测试一下Julia的性能。随机生成5亿个数，每500个一组，求均值。对100万个均值，计算处在98%区间内的上限和下限值。
先来看第一种方案：
using Statistics
@time begin
data = Float64[]
for _ in 1:10^6
group = Float64[]
for _ in 1:5*10^2
push!(group,rand())
end
push!(data,mean(group))
end
println("98% of the means lie in the estimated range:",
(quantile(data, 0.01),quantile(data, 0.99)))
end## 98% of the means lie in the estimated range:(0.4699358373639885, 0.5299895654245624)
## 21.658480 seconds (10.45 M allocations: 7.997 GiB, 9.57% gc time)再看第二种方法：
using Statistics
@time begin
data = [mean(rand(5*10^2)) for _ in 1:10^6]
println("98% of the means lie in the estimated range:",
(quantile(data, 0.01),quantile(data, 0.99)))
end## 98% of the means lie in the estimated range:(0.4699265714058901, 0.5300302633936297)
## 3.958651 seconds (1.18 M allocations: 3.906 GiB, 18.03% gc time)处理同样的数据量，第二种方法显然速度更快。主要是原因是在第一种方法中，group和data作为两个动态数组，编译器并不知道它们的最终大小，因此push!函数每增加1个元素到数组中，group和data数组就重新分配大小，并拷贝。这样的操作要执行100万次，因此浪费了时间。
在第二种方法中，通过推导式（comprehension）直接给data分配100万个内存空间，rand(5*10^2)直接生成500个随机数，对内存空间的需求明确，因此更快。
推导式是一个非常好用的工具。在模拟中，可以方便的生成想要的矩阵和向量。
生成一个矩阵，或者说二维数组
matrix_1 = [i+j for i in 1:10, j in 1:10];
matrix_1## 10×10 Array{Int64,2}:
## 2 3 4 5 6 7 8 9 10 11
## 3 4 5 6 7 8 9 10 11 12
## 4 5 6 7 8 9 10 11 12 13
## 5 6 7 8 9 10 11 12 13 14
## 6 7 8 9 10 11 12 13 14 15
## 7 8 9 10 11 12 13 14 15 16
## 8 9 10 11 12 13 14 15 16 17
## 9 10 11 12 13 14 15 16 17 18
## 10 11 12 13 14 15 16 17 18 19
## 11 12 13 14 15 16 17 18 19 20也可以加过滤条件，只输出偶数，但是矩阵会坍塌为向量：
matrix_2 = [i+j for i in 1:10, j in 1:10 if iseven(i+j)];
matrix_2简单尝试了一下，knitr不知道如何装饰julia的输出结果。可以考虑利用IJulia来学习，把总结转换为md文档后，贴到博客上。