Julia für die Datenanalyse
Flinke Sache
Das Designkonzept von Julia bewirkt eine hohe Codeausführungsgeschwindigkeit, die an C/C++ heranreicht. Die Frage ist, ob dies ausreicht, um Datenanalyst*innen von der Sprache zu überzeugen.
Die Sprache Julia, ursprünglich für numerisches und wissenschaftliches Rechnen entworfen, kommt immer mehr auch beim High-Performance Computing zum Einsatz. Sie liegt derzeit in Version 1.4 vor (Stand: Mai 2020) und ist seit 2012 Open Source. Merkmale der Multiparadigmensprache sind neben einem dynamischen Typsystem Multimethoden und Koroutinen. Auf kommerzieller Seite ergänzt die Firma Julia Computing, der unter anderem die vier Hauptentwickler der Sprache angehören, begleitende Softwareprodukte.
Datenanalyst*innen nutzen gerne die Statistikumgebung R und die Datenanalysefähigkeit von Python als tägliches Werkzeug. R hat eine lange Entwicklungs- und Optimierungshistorie und bietet über das Paketsystem mehr als 15500 Pakete und 40 Task Views (nach Aufgaben gebündelte Pakete) an, die Verantwortliche pflegen und auf einem aktuellen und qualitativ hochwertigen Stand halten. Zudem liegt mit RStudio eine integrierte Entwicklungsumgebung und grafische Benutzeroberfläche vor. Python ist mit der Python Software Foundation und der Open-Source-Distribution Anaconda ähnlich komfortabel aufgestellt. Dieser Artikel zeigt, warum Julia trotzdem ein alternatives Werkzeug für Datenanalysen sein kann.
