作为统计计算领域的新兴编程语言，Julia 近年来变得越来越受关注。有两个特点使得 Julia 比其他编程语言更为优越。
- Julia 像 Python 一样是一种高级语言。因此，它易于学习和使用。
- Julia 是一种编译语言，旨在与 C/C++ 一样快。
当我第一次了解 Julia 时，我被它的计算速度所吸引。因此，我决定尝试使用 Julia，并看看我是否可以在我的日常工作中实际使用它。
作为一名数据科学从业者，我使用 Python 为各种目的开发原型 ML 模型。为了快速学习 Julia，我将模仿使用 Python 和 Julia 构建简单 ML 模型的常规流程。通过并排比较 Python 和 Julia 代码，我可以轻松捕捉两种语言的语法差异。这就是本文接下来的安排。
安装
在开始之前，我们需要在我们的工作站上安装 Julia。Julia 的安装需要以下两个步骤。
- 从官方网站下载安装文件。
- 解压安装文件并创建指向 Julia 二进制文件的符号链接。
以下博客提供了安装 Julia 的详细指南。
在 Ubuntu 上安装 Julia
在 Ubuntu 上安装 Julia 并将内核添加到 Jupyter 的快速教程
小猪AI.com
数据集
我将使用从 Kaggle 获取的信用卡欺诈检测数据集。该数据集包含 284,807 笔交易中的 492 笔欺诈。总共有 30 个特征，包括交易时间、金额和使用 PCA 获得的 28 个主要组件。交易的“类”是要预测的目标变量，它表示交易是否为欺诈。
与 Python 类似，Julia 社区开发了各种包来支持 Julia 用户的需求。这些包可以使用 Julia 的软件包管理器 Pkg 安装，它相当于 Python 的 pip 。
我使用的欺诈检测数据是典型的 .csv 格式。要将 csv 数据加载为 Julia 中的 dataframe，需要导入 CSV 和 DataFrame 包。DataFrame 包可以视为 Julia 中的 Pandas 等价物。
将结构化数据加载为 dataframe — Julia 实现
以下是导入的数据的样子。
在 Jupyter 中，加载的数据集可以显示为上面的图像。如果您想查看更多列，则可以快速设置环境变量 ENV["COLUMNS"] 。否则，只会显示少于 10 列。
等效的 Python 实现如下。
探索性数据分析（EDA）
探索性分析允许我们检查数据质量并发现特征之间的模式，这对于特征工程和训练 ML 模型非常有用。
基本统计
我们可以从计算一些特征的简单统计信息开始，比如均值、标准差。与 Python 中的 Pandas 类似，Julia 的 DataFrame 包提供了一个 describe 函数用于此目的。
通过 describe 函数，我们可以生成 12 种基本统计信息。通过更改 :all 参数，例如 describe(df, :mean, :std)，我们可以选择要生成哪种统计信息。有点烦人的是，即使设置了可显示列的上限，describe 函数也会不断省略统计信息的显示，除非我们指定 :all。这是 Julia 社区未来可以解决的问题。
分类平衡
欺诈检测数据集通常会受到极端类别不平衡的问题影响。因此，我们想要了解两类数据之间的分布情况。在 Julia 中，可以通过应用“split-apply-combine”函数来完成，这相当于 Python 中 Pandas 的“groupby-aggregate”函数。
在 Python 中，我们可以使用 value_counts() 函数来实现相同的目的。
单变量分析
接下来，让我们使用直方图来了解特征的分布情况。特别是我们以交易金额和时间为例，因为它们是数据集中唯一可以解释的特征。
在 Julia 中，有一个方便的库叫做 StatsPlots，它允许我们绘制各种常用的统计图形，包括直方图、条形图、箱形图等等。
以下代码在两个子图中绘制了交易金额和时间的直方图。可以发现，交易金额高度偏斜。对于大多数交易，交易金额都在 100 美元以下。交易时间遵循双峰分布。
绘制交易时间和交易金额的分布 — Julia 实现
在 Python 中，我们可以使用 matplotlib 和 seaborn 创建相同的图表。
双变量分析
虽然上述单变量分析向我们展示了交易金额和时间的一般模式，但它并没有告诉我们它们与待预测的欺诈标志之间的关系。为了快速概述特征和目标变量之间的关系，我们可以创建一个相关矩阵，并使用热图可视化它。
在创建相关矩阵之前，我们需要注意到我们的数据高度不平衡。为了更好地捕捉相关性，需要对数据进行下采样，以便特征的影响不会因为数据不平衡而被“稀释”。这个练习需要对数据框进行切片和连接。以下代码演示了在Julia中实现下采样的方法。
上述代码计算欺诈交易的数量，并将欺诈交易与相同数量的非欺诈交易合并。接下来，我们可以创建热力图来可视化相关矩阵。
绘制热力图以可视化相关矩阵——Julia实现
生成的热力图如下所示。
下面是在Python中实现下采样和绘制热力图的等效实现。
在对特征相关性有了概览后，我们希望深入研究与目标变量（在此情况下为“Class”）具有显著相关性的特征。从热力图中可以观察到，以下PCA转换特征与“Class”呈正相关关系：V2、V4、V11、V19，而带有负相关关系的特征包括V10、V12、V14、V17。我们可以使用箱线图来检查这些突出特征对目标变量的影响。
在Julia中，可以使用前面提到的StatsPlots包创建箱线图。这里，我使用与“Class”呈正相关的4个特征作为示例，说明如何创建箱线图。
创建箱线图以可视化特征对“Class”的影响——Julia实现
这里的@df作为一个宏，表示在目标数据集（即balanced_df）上创建一个箱线图。生成的图如下所示。
下面的代码可用于在Python中创建相同的箱线图。
中场休息
我将在此暂停，并快速评论一下我对Julia的“用户体验”。在语言语法方面，Julia似乎处于Python和R之间。有一些Julia包可以提供全面的数据操纵和EDA支持。但是，由于Julia的开发仍处于早期阶段，因此该编程语言仍然缺乏资源和社区支持。搜索某些数据操纵练习的Julia实现，例如展开类似列表的数据框列，可能需要花费很多时间。此外，Julia的语法与Python 3的稳定化还有很长的路要走。在这一点上，我不会说Julia是大型企业和企业的好编程语言选择。
我们还没有完成欺诈检测模型的构建。我会在下一篇博客中继续介绍。敬请关注！
可以在Github上找到Jupyter笔记本。
参考资料
- ULB（布鲁塞尔自由大学）机器学习小组。 （无日期）。 信用卡欺诈检测[数据集]。 https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud