#扫描二维码报名源创会#
原文：Julia vs R vs Python: simple optimization
作者：ZJ，数据科学家，全栈工程师，信用风险模型团队负责人。
编译：开源中国（oschina2013）
如需转载请在文中注明上述信息
在这篇文章中，作者通过一个简单的似然函数优化（Maximum Likelihood Optimization）问题来对比 Julia，R 和 Python。这是一个比较小的优化问题，性能上的差异表现可能不太明显，但解决问题的过程能很好地反应三者各自的优劣势。
作者在撰写本文时，对这三种语言的熟悉程度如下：
Julia 布道者 ChrisRackauckas 曾经说过：
如果你用 Julia 处理一个 10 秒内的问题，它的优势并不能体现出来。 而一旦处理的问题变复杂，需要花费比较长的时间，这时 Julia 的优势就会慢慢体现了。
有人用 Python 和 Julia 做过对比实验。以 10⁵ 为界点进行计算，当数值比 10⁵ 更小时 Python 比 Julia 快的。但数值大于 10⁵ 后，Julia 的速度就比 Python 快很多了。
优化问题
观察序列 Q1,Q2,...,Qn，我们需要找到优化该似然函数的参数 μ 和 σ：
通常我们会尝试优化对数似然：
在统计学上，这是截断的正态分布的最大似然估计（MLE）。
Julia 的测试情况
以下是作者使用 Julia 进行测试的情况。使用 Julia 中的 Optim.jl，可以直接使用特殊符号（symbols）作为变量名称，按照使用习惯，此处作者使用了希腊字母 μσ。Julia 还有一个 JuMP.jl 包用于优化问题。但 JuMP.jl 更适合用于更高级的优化问题，用在此处有点小题大做。
Julia 第一次优化
Julia 在执行第一次优化用了 7 秒，比 R 和 Python 都慢。对此，ChrisRackauckas 指出：
如果你需要解决 100 个 10 秒的优化问题，第一次执行需要花费 17 秒，接下来的优化不需要编译，大约只需要 10 秒。因此，总运行时长为 1007 秒。所以，当用 Julia 处理一个 10⁵ 秒的问题时，这 7 秒基本可以忽略不记；但如果用 Julia 处理 5 秒甚至更小的问题时，这 7 秒的差异就特别明显。
作者在下方硬编码了在 MLE 估计中使用的 Q_t 的值：
输出效果如下，排版看起来很舒服，也支持数学公示显示：
由此看出 Julia 的优势：
Julia 的不足：
R 的测试情况
R 有一个 truncnorm 用于处理截断正态
结果将输出：
R 的优势：
R 的不足：
Python 的测试情况
作者利用已有的 Python 学习经验想出如下方案，输入代码：
输出结果：
Python 的优势
：
Python 的不足：
综上所述，三种语言的综合对比如下：
开源中国征稿开始啦！
开源中国 www.oschina.net 是目前备受关注、具有强大影响力的开源技术社区，拥有超过 200 万的开源技术精英。我们传播开源的理念，推广开源项目，为 IT 开发者提供一个发现、使用、并交流开源技术的平台。
现在我们开始对外征稿啦！如果你有优秀的技术文章想要分享，热点的行业资讯需要报道等等，欢迎联系开源中国进行投稿。投稿详情及联系方式请参见：我要投稿
