Julia Language

            julia เป็นอีกภาษาหนึ่ง ที่ใช้ในด้านการทำงานที่เกี่ยวกับการวิเคราะห์ข้อมูลนะครับ ซึ่งเน้นสร้างมาให้ใช้งานง่าย (แทบจะไม่ต่างกับไพธอน) และ เน้นความเร็ว พูดง่ายๆ คือ คู่แข่งของ ไพธอน ในอนาคตนั้นเอง รอดูว่าจะเติบโตได้แค่ไหน เพราะไพธอนเองก็พยายามอัพความเร็วเช่นกัน แถมมีตัวช่วยอื่นๆ อีกเช่นกัน ปล. มีภาษา racket อีกตัวเห็นว่ามีรากฐานแบบ lisp และอัพความเร็วเพิ่มขึ้นมาเรื่อย ก็ต้องตามกันต่อไป

1. sudo apt update
   
2. sudo apt install wget -y อันนี้เอาไว้ดาวน์โหลดไฟล์ หรือจะโหลดเอาเองที่นี่ ก็ได้นะ
   
3. wget https://julialang-s3.julialang.org/bin/linux/x64/1.8/julia-1.8.0-linux-x86_64.tar.gz โหลดไฟล์ของ julia ในส่วนของ url อาจขึ้นกับการอัพเดตเวอร์ชั่น
   
4. tar xvf julia-1.8.0-linux-x86_64.tar.gz แตกไฟล์ของ julia
5. sudo mv julia-1.8.0 /opt/julia ย้ายไปไว้ในที่ติดตั้งโปรแกรมตามปกติ
6. nano ~/.bashrc แล้วกด Ctrl+v ไปล่างสุด เพิ่มคำสั่งเรียกใช้งาน julia เข้าไป export PATH=$PATH:/opt/julia/bin
7. source ~/.bashrc เรียกใช้งาน config ใหม่
8. julia --version ทดสอบ ถ้าติดตั้งสมบูรณ์จะต้องขึ้นแจ้งเวอร์ชั่นของ julia
9. ใช้คำสั่ง julia เข้าไปข้างในใช้ using Pkg (ต้องบอกมันทุกครั้ง) เป็นตัวจัดการ Package manager ไว้ใช้ดาวน์โหลด library ต่างๆ
   
10. Pkg.add("CSV") ติดตั้ง library support ไฟล์ csv
11. Pkg.add("DataFrames") ทดสอบติดตั้ง dataframe เพื่อเรียกใช้งาน
12. pkg> add Polynomials หรือจะใช้แบบนี้แทนก็ได้นะครับ
13. exit() เพื่อกลับออกมาที่ terminal เหมือนไพธอน
    
14. ลองสร้างไฟล์อ่าน csv ไฟล์ แล้วเลือกสัก column มาแสดงผล ใช้โค้ดตามนี้
    

    using CSV
    using DataFrames
    
    df = CSV.read("CSV_File.csv", DataFrame) 
    col = df[!, r"Column_Name"] #หรือ col = select(df, :Column_Name1, :Column_Name2)
    print(col)
    

    
    
15. รันด้วย julia Name_File.ji แล้วรอ (รอจริงๆ นะ มันนานกว่าที่คิด)

            ปล.ตอนนี้การใช้ julia กับตัว dataframe ที่มีข้อมูลมากๆ ยังมีส่วนที่ช้ากว่าไพธอนอยู่ ดูเหมือนว่า julia จะคอมไพล์ก่อนใช้งาน ทำให้ครั้งที่ 2 ถึงจะไวขึ้น (แน่นอนครั้งแรกช้าตามกระบวนการ แต่ส่วนตัวก็ว่ายังช้ากว่าไพธอนในครั้งที่สองอยู่ดีนะ และถึงแม้จะมีคนบอกว่ามันมีวิธีในการคอมไพล์ล่วงหน้าแต่ก็คงไม่ต่างกับครั้งที่สองมากนัก) ก็คงต้องทดสอบยาวๆ ว่ามันจะเร็วกว่าไพธอนจริงไหม แต่ตอนนี้ถ้ายังต้องใช้ dataframe ก็ยังใช้ไพธอนดีกว่าครับ