为什么 Julia 不能超集 python？
Why couldn't Julia superset python?
Julia 语言语法看起来与 python 非常相似，而 class 的概念（如果应该这样称呼的话）更像是您在 C 中使用的。有创作者决定在 OOP 方面有所不同的许多原因。仍然很难找到一些规范的方法来将 python 解释为 Julia，从而掌握所有 python 库吗（与首先创建 Julia 相比，这令人印象深刻）？
是的。 Python 的设计使得在编译时很难优化（即在 运行 代码之前）。说 Julia 因为 JIT 而快是完全错误的。相反，Julia 在设计时考虑了其类型系统和多重分派，这样编译器就可以知道编译 "the same code you would have written in C" 的所有必要细节。这就是让它变快的原因：类型系统。它做了一些权衡，允许它在 "type-stable" 函数中完全推断出每个变量的类型是什么，知道类型的内存布局应该是什么（包括参数类型，所以 Vector{Float64} 有一个内存布局，它由类型及其参数决定，它像 NumPy 数组一样内联 Float64 值，除了这是以您自己的 struct 类型获得相同效率的方式概括的），并且编译一个专门针对所见类型的代码版本。
这在很多方面都与 Python 不一致。例如，如果结构中的字段数可能发生变化，则无法确定内存布局，因此这些优化无法发生在 "compile-time" 处。 Julia 经过精心设计以确保它具有类型可推断性，并使用它来生成完全类型化的代码并删除所有 运行 时间检查（在类型稳定的函数中。当函数不是类型稳定的时，变量的类型变成动态的而不是静态的，并且它会减慢到 Python-like 速度）。从这个意义上说，Julia 实际上甚至还没有优化：它的所有性能都来自 "for free" 鉴于其类型系统的设计。 Python/MATLAB/R 必须在 运行 时非常努力地进行优化，因为它没有能力进行这些推导。事实上，就 运行 时间优化而言，这些语言现在 "better optimized"，但还没有人真正在 Julia 中进行 运行 时间优化，因为在大多数性能敏感的情况下，您可以获得这一切都在编译时。
那么，Numba 呢？ Numba 尝试采用 Julia 采取的路线，但使用 Python 代码，通过限制可以完成的操作，以便它可以获得类型稳定的代码并有效地编译它。然而，这意味着一些事情。首先，它不兼容所有 Python 代码或库。但更重要的是，由于 Python 不是围绕其类型系统构建的语言，因此在类型级别控制代码的工具大大减少了。所以 Numba 没有参数向量和通用代码，它们通过多重分派自动专门化，因为这些不是语言的特性。但这也意味着它无法充分利用该设计，这限制了它可以做的事情。它可以很好地处理 "use only floating point array" 的东西，但是如果你想让一个代码为 "any number type, even ones I don't know about" 生成高效的代码，你会发现它会受到限制。但是，根据设计，Julia 会自动执行此操作。
所以从本质上讲，Julia 和 Python 是两种截然不同的语言。很难看出，因为 Julia 的语法接近 Python 的语法，但它们的工作方式完全不同。
这是对我在几篇博文中描述的内容的简短总结。这些内容更详细，并向您展示了 Julia 如何实际生成高效代码，它如何为您提供通用的 "Python looking style" 但这样做完全具有可推论性，以及权衡是什么。
类型稳定性加上多重分派如何提供性能：
http://ucidatascienceinitiative.github.io/IntroToJulia/Html/WhyJulia
http://www.stochasticlifestyle.com/7-julia-gotchas-handle/
类型系统如何实现高性能通用设计
http://www.stochasticlifestyle.com/type-dispatch-design-post-object-oriented-programming-julia/
Julia 语言语法看起来与 python 非常相似，而 class 的概念（如果应该这样称呼的话）更像是您在 C 中使用的。有创作者决定在 OOP 方面有所不同的许多原因。仍然很难找到一些规范的方法来将 python 解释为 Julia，从而掌握所有 python 库吗（与首先创建 Julia 相比，这令人印象深刻）？
是的。 Python 的设计使得在编译时很难优化（即在 运行 代码之前）。说 Julia 因为 JIT 而快是完全错误的。相反，Julia 在设计时考虑了其类型系统和多重分派，这样编译器就可以知道编译 "the same code you would have written in C" 的所有必要细节。这就是让它变快的原因：类型系统。它做了一些权衡，允许它在 "type-stable" 函数中完全推断出每个变量的类型是什么，知道类型的内存布局应该是什么（包括参数类型，所以 Vector{Float64} 有一个内存布局，它由类型及其参数决定，它像 NumPy 数组一样内联 Float64 值，除了这是以您自己的 struct 类型获得相同效率的方式概括的），并且编译一个专门针对所见类型的代码版本。
这在很多方面都与 Python 不一致。例如，如果结构中的字段数可能发生变化，则无法确定内存布局，因此这些优化无法发生在 "compile-time" 处。 Julia 经过精心设计以确保它具有类型可推断性，并使用它来生成完全类型化的代码并删除所有 运行 时间检查（在类型稳定的函数中。当函数不是类型稳定的时，变量的类型变成动态的而不是静态的，并且它会减慢到 Python-like 速度）。从这个意义上说，Julia 实际上甚至还没有优化：它的所有性能都来自 "for free" 鉴于其类型系统的设计。 Python/MATLAB/R 必须在 运行 时非常努力地进行优化，因为它没有能力进行这些推导。事实上，就 运行 时间优化而言，这些语言现在 "better optimized"，但还没有人真正在 Julia 中进行 运行 时间优化，因为在大多数性能敏感的情况下，您可以获得这一切都在编译时。
那么，Numba 呢？ Numba 尝试采用 Julia 采取的路线，但使用 Python 代码，通过限制可以完成的操作，以便它可以获得类型稳定的代码并有效地编译它。然而，这意味着一些事情。首先，它不兼容所有 Python 代码或库。但更重要的是，由于 Python 不是围绕其类型系统构建的语言，因此在类型级别控制代码的工具大大减少了。所以 Numba 没有参数向量和通用代码，它们通过多重分派自动专门化，因为这些不是语言的特性。但这也意味着它无法充分利用该设计，这限制了它可以做的事情。它可以很好地处理 "use only floating point array" 的东西，但是如果你想让一个代码为 "any number type, even ones I don't know about" 生成高效的代码，你会发现它会受到限制。但是，根据设计，Julia 会自动执行此操作。
所以从本质上讲，Julia 和 Python 是两种截然不同的语言。很难看出，因为 Julia 的语法接近 Python 的语法，但它们的工作方式完全不同。
这是对我在几篇博文中描述的内容的简短总结。这些内容更详细，并向您展示了 Julia 如何实际生成高效代码，它如何为您提供通用的 "Python looking style" 但这样做完全具有可推论性，以及权衡是什么。
类型稳定性加上多重分派如何提供性能：
http://ucidatascienceinitiative.github.io/IntroToJulia/Html/WhyJulia http://www.stochasticlifestyle.com/7-julia-gotchas-handle/
类型系统如何实现高性能通用设计
http://www.stochasticlifestyle.com/type-dispatch-design-post-object-oriented-programming-julia/