Julia lang

Julia を書いているとどういうメリットがあるかを聞かれることが多いので，Python を始めとする他言語と比較した時のメリットやデメリットを書きます．しかし，「for文が速い」みたいなそこら中で騒がれていることや「2\1 が 1/2 と同値」のような役立ったことがないようなことは書きません． 当方 Julia，Python ともにエアプなので，こういう構文使えば便利だよ．みたいなものがあったら教えてくださると幸いです． また，メリットとデメリット共に発見次第追記していく予定です． メリット Dot 構文 f.(x)みたいなやつです．x が配列などの時に x の各要素に関数 f を適用します…

ついにDataFrameに入門してしまった...． 途中で列の名前を変えるにはこうする． using DataFrames names = ["colname1", "colname2", "colname3"] data = rand(3,3) df = DataFrame(data) rename!(df, Symbol.(names)) Symbolに変えないといけないことに気が付かなくてだいぶはまってしまった... ちなみに，列の名前の一覧を取り出したかったら，propertynames(df)すればいい． 言わずもがな，はじめから data = rand(3,3) names = […

最近，毎日Juliaを書いているので，買って読んでみた．結論から言うと本当に良い買い物をしたと思う． 薄い技術書だけど、内容は評判通りかなり濃厚．Juliaの基本的な言語機能の他にも、コンパイラへのヒントの書き方、メモリ割り当てを削減するtips、プロファイリングの方法、ドキュメントやdocstringの書き方，CやPythonやRの呼び出し方まで触れてて本当に勉強になった。メタプログラミングという言葉も初めて知った。いままで謎だったマクロの正体が多分わかった。シンボルの説明が丁寧だった。型の理解がかなり整理された。(そういえばmissing型についての言及はないですね)． 役に立つ情報満載．…

各要素が適当な分布に従うテンソルをつくる．例えば，中心がmu, 分散がsigmaの一次元ガウス分布に各要素が従うD×M×Nテンソルをつくりたければ using Distributions mu = 0 sigma = 5 D = 2 M = 3 N = 5 dist = Normal(mu, sigma) X = rand( dist, (D, M, N) ) とすればいい．

集合 B ={ b ∈ {±1}^N } を得たい！ 僕が考えたのはこんな感じ． using Combinatorics function main(N) B=[] for n=1:N combs = collect(combinations(1:N,n)) for comb in combs b = ones(N) for com in comb b[com] = -1 end push!(B,b) end end return B end B = main(5) display(B) これを実行すれば [1.0, 1.0, 1.0, 1.0, 1.0] [-1.0, 1.0, 1.0, 1…

Julia言語で，T-HOSVDによりテンソルランクを１にするアルゴリズムを実装しました． この論文のアルゴリズム3を実装しました． using TensorToolbox using LinearAlgebra using Arpack function THOSVD(T) # Output is rank-1 tensor N = ndims(T) input_tensor_shape = size(T) u = [] for n=1:N # Matricization of tensor by mode n Tn = tenmat(T,n) # First left singula ve…

Pythonでデータ処理をしている際、numpyにはまらないごちゃごちゃした前処理があり、ちょっと遅いんだよなぁ。。。となること、ないでしょうか。 ルーチンになっている解析であれば高速化を頑張る意味がありそうですが、新しい解析を試行錯誤している最中など、わざわざ高速化のためのコードをガリガリ書いていくのは辛いぐらいのフェーズ、ないでしょうか。 こんなとき、私はJuliaを使っています。Juliaは特別な書き方をしなくても高速になる場合が多く、並列処理も簡単にできます。 julialang.org Julia、いいらしいが名前は聞いたことがあるけど使うまでには至ってない、という方がと思います。今…

はじめに Suyamaさんのブログ*1で，データに欠損値がある場合の教師あり学習について説明されています．本記事では，そちらの記事及びソースコード*2 を参考に，欠損値が含まれるデータに対して線形モデルを仮定し， 欠損値と重みをTuring.jlで推論します．またSuyamaさんのブログと同様に，欠損値が含まれるデータを省いて学習を行ったもの，欠損値を推定しながら学習を行ったもの，欠損値がないデータで学習を行ったもので結果を比較してみました．Turing.jl*3はJulia用のProbabilistic Programmingライブラリで，確率モデルを定義し，推論方法を指定するとパラメータに…

~/.julia/config/startup.jlに using Pkg if isfile("Project.toml") && isfile("Manifest.toml") Pkg.activate(".") end と書いておくだけ。この設定はVSCodeのJulia extensionで自動起動されるREPLでも有効。 参考 Activating project environment in Julia REPL automatically | Blog by Bogumił Kamiński