EMZETT.
Login

Emzett Wiki

Julia: Projekte, Pakete und Ökosystem

Properties1
tagsprogrammiersprachen, julia

5 Min. Lesezeit

Kurz: Julia hat einen eingebauten Paketmanager (Pkg). Pakete liegen in der General-Registry (juliahub.com). Jedes Projekt hat eigene Abhängigkeiten in Project.toml und Manifest.toml:

Teil des Kurses Julia

Kapitel 7 von 8 im Kurs Julia (Abschnitt „Praxis“). Mit Fortschritt, Quiz und Zertifikat auf der Lernseite.

Pakete verwalten

Julia hat einen eingebauten Paketmanager (Pkg). Pakete liegen in der General-Registry (juliahub.com). Jedes Projekt hat eigene Abhängigkeiten in Project.toml und Manifest.toml:

# In der REPL: ] drücken, dann
#   pkg> activate .          Projektumgebung aktivieren
#   pkg> add Plots DataFrames CSV
#   pkg> status
#   pkg> update
#   pkg> test
# Oder im Code:
#   using Pkg; Pkg.add("DataFrames")
GebietBeliebte Pakete
DatenDataFrames.jl, CSV.jl, Arrow.jl, JSON3.jl, Query.jl
GrafikPlots.jl, Makie.jl (GPU), StatsPlots.jl, Gadfly.jl
StatistikStatistics (Standard), StatsBase.jl, Distributions.jl, HypothesisTests.jl, GLM.jl
WissenschaftDifferentialEquations.jl, Optim.jl, JuMP.jl, Unitful.jl, Symbolics.jl
Machine LearningFlux.jl, Lux.jl, MLJ.jl, Turing.jl (Bayes), Zygote.jl
Web/AppsHTTP.jl, Genie.jl, Pluto.jl (reaktive Notebooks)
Python-BrückePythonCall.jl, PyCall.jl; ccall für C-Bibliotheken
using DataFrames, CSV, Statistics, Plots
 
df = CSV.read("messwerte.csv", DataFrame)
first(df, 5)
describe(df)
gruppiert = combine(groupby(df, :stadt), :temperatur => mean => :mittel, nrow => :anzahl)
sort!(gruppiert, :mittel, rev = true)
 
plot(df.tag, df.temperatur, label = "Temperatur", xlabel = "Tag", lw = 2)
scatter!(df.tag, df.temperatur, label = "")
savefig("temperatur.png")

Projekt 1: Mini-Statistikprogramm

using Statistics
 
daten = [23.5, 25.1, 22.8, 30.2, 27.4, 24.9, 26.3, 28.8]
function bericht(x)
    return (
        n = length(x),
        mittel = round(mean(x), digits = 2),
        median = median(x),
        abw = round(std(x), digits = 2),
        spanne = extrema(x),
        quartile = quantile(x, [0.25, 0.5, 0.75]) .|> q -> round(q, digits = 2),
    )
end
b = bericht(daten)
for (name, wert) in pairs(b)
    println(rpad(string(name), 9), wert)
end
 
# Korrelation und Regression
x = collect(1.0:8.0)
println("Korrelation: ", round(cor(x, daten), digits = 3))
steigung = cov(x, daten) / var(x)
achsenabschnitt = mean(daten) - steigung * mean(x)
println("Trend: y = ", round(achsenabschnitt, digits = 2), " + ", round(steigung, digits = 3), "x")

Ausgabe:

n        8
mittel   26.13
median   25.700000000000003
abw      2.56
spanne   (22.8, 30.2)
quartile [24.55, 25.7, 27.75]
Korrelation: 0.531
Trend: y = 23.63 + 0.555x

Projekt 2: Spiel des Lebens

function schritt(G)
    n, m = size(G)
    neu = falses(n, m)
    for i in 1:n, j in 1:m
        nachbarn = 0
        for di in -1:1, dj in -1:1
            (di == 0 && dj == 0) && continue
            ii, jj = i + di, j + dj
            if 1 <= ii <= n && 1 <= jj <= m && G[ii, jj]
                nachbarn += 1
            end
        end
        neu[i, j] = G[i, j] ? nachbarn in (2, 3) : nachbarn == 3
    end
    return neu
end
 
zeige(G) = foreach(i -> println(join(G[i, :] .|> b -> b ? '#' : '.')), 1:size(G, 1))
 
function simuliere(generationen)
    G = falses(6, 6)
    for (i, j) in [(1, 2), (2, 3), (3, 1), (3, 2), (3, 3)]     # ein Gleiter
        G[i, j] = true
    end
    for t in 0:generationen
        println("Generation $t:")
        zeige(G)
        G = schritt(G)
    end
end
simuliere(2)

Ausgabe:

Generation 0:
.#....
..#...
###...
......
......
......
Generation 1:
......
#.#...
.##...
.#....
......
......
Generation 2:
......
..#...
#.#...
.##...
......
......

Projekt 3: Monte-Carlo und Zufall

using Random, Statistics
rng = MersenneTwister(2025)               # reproduzierbarer Zufallsgenerator
 
function pi_schaetzung(n, rng)
    treffer = 0
    for _ in 1:n
        x, y = rand(rng), rand(rng)
        treffer += (x^2 + y^2 <= 1)
    end
    return 4treffer / n
end
schaetzung = pi_schaetzung(200_000, rng)
println(abs(schaetzung - π) < 0.02 ? "π ≈ 3.14 (Fehler < 0.02)" : "zu ungenau")
 
würfe = rand(rng, 1:6, 10_000)
println(length(würfe), " ", sort(unique(würfe)), " ", abs(mean(würfe) - 3.5) < 0.1)
println(abs(mean(randn(rng, 100_000))) < 0.02)
println(length(shuffle(MersenneTwister(1), 1:5)), " ", length(randperm(rng, 10)), " ", all(1 .<= rand(rng, 1:100, 50) .<= 100))

Ausgabe:

π ≈ 3.14 (Fehler < 0.02)
10000 [1, 2, 3, 4, 5, 6] true
true
5 10 true

Projekt 4: Text analysieren

text = """
Julia ist eine Sprache für wissenschaftliches Rechnen. Julia ist schnell,
und Julia ist einfach. Wissenschaft braucht schnelle Sprachen.
"""
woerter = split(lowercase(replace(text, r"[^\p{L}\s]" => "")))
println(length(woerter), " Wörter, ", length(unique(woerter)), " verschiedene")
haeufigkeit = Dict{String, Int}()
for w in woerter
    haeufigkeit[w] = get(haeufigkeit, w, 0) + 1
end
top = sort(collect(haeufigkeit), by = p -> (-p.second, p.first))[1:4]
for (w, n) in top
    println(rpad(w, 10), "█"^n, " ", n)
end
println(maximum(length, woerter), " ", argmax(length.(woerter)), " ", woerter[argmax(length.(woerter))])

Ausgabe:

18 Wörter, 14 verschiedene
ist       ███ 3
julia     ███ 3
braucht   █ 1
eine      █ 1
18 6 wissenschaftliches

Merke

  • Pkg verwaltet Pakete pro Projekt (Project.toml, Manifest.toml)
  • Ökosystem: DataFrames/CSV, Plots/Makie, DifferentialEquations, Flux, JuMP, Pluto
  • Reproduzierbarer Zufall mit MersenneTwister(seed)
  • Julia eignet sich für Simulationen, Statistik und Machine Learning
  • Interop mit Python (PythonCall.jl) und C (ccall)

Übungsaufgabe

Simuliere 10.000 Würfe mit zwei Würfeln und zähle, wie oft die Summe 7 vorkommt.

Quiz zur Selbstkontrolle

Weiter im Kurs

Zurück: Leistung, Numerik und Parallelität

Weiter: Referenz und Spickzettel

Alle Kapitel: Julia im Überblick

Graphansicht

Backlinks