Comparative analysis of the efficiency of Julia language against the other classic programming languages

• Autorzy: Januszek T. , Pleszczyński M.
• Języki publikacji: EN

Abstrakty

EN

In this paper we analyze the performance of five popular programming languages. The efficiency analysis involves the comparison of elapsed time needed for executing the same computations when the degree of complexity rises. In this paper we compare C#, Python, R, Wolfram and Julia programming languages.

Słowa kluczowe

EN

computational complexity; programming languages; Julia language

PL

złożoność obliczeniowa; język programowania; język Julia

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Silesian Journal of Pure and Applied Mathematics
• Rocznik: 2018
• Tom: Vol. 8, iss. 1
• Strony: 49--56
• Opis fizyczny: Bibliogr. 14 poz.

Twórcy

autor

Januszek T.

• Faculty of Applied Mathematics, Silesian University of Technology, Gliwice, Poland

autor

Pleszczyński M.

• Institute of Mathematics, Silesian University of Technology, Gliwice, Poland

Bibliografia

• 1. Albahari J., Albahari B.: C# 7.0 in a Nutshell: The Definitive Reference. O’Reilly Media, Sebastopol 2017.
• 2. Biecek P.: Survay for R package. Oficyna wydawnicza GiS, Wroc law 2014 (in Polish).
• 3. Crawley M.J.: The R book, John Wiley & Sons, Chichester 2007.
• 4. Damaševičius R., Štuikys V.: Metrics for evaluation of metaprogram complexity, Comput. Sci. Inf. Sys. 7, no. 4 (2010) 770–787.
• 5. Dawson M.: Python Programming for the Absolute Beginner. Course Technology, Boston 2010.
• 6. Evjen B., Hanselman S., Rader D.: Professional ASP.NET 4 in C# and VB. Wiley Publ., Indianapolis 2010.
• 7. Falola O., Misra S., Adewumi A., Damaševičius R.: Evaluation and comparison of metrics for XML schema languages. In: Frontiers in Artificial Intelligence and Applications, Mizera-Pietraszko J. et al. (eds.), IOS Press, Amsterdam 2017, 51–59.
• 8. Gliński H., Grzymkowski R., Kapusta A., Słota D.: Mathematica 8. Jacek Skalmierski Computer Studio, Gliwice 2012 (in Polish).
• 9. https://julialang.org/blog/2012/02/why-we-created-julia.
• 10. McKinley W.: Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. O’Reilly Media, Sebastopol 2018.
• 11. Misra S., Adewumi A., Fernandez-Sanz L., Damaševičius R.: A suite of object oriented cognitive complexity metrics. IEEE Access 6 (2018), 8782–8796.
• 12. Raschka S.: Python: Machine Learning. Packt Publ., Birmingham 2016.
• 13. Regier J., Pamnany K., Giordano R., Thomas R., Schlegel D., McAuliffe J., Prabhat: Learning an astronomical catalog of the visible universe through scalable Bayesian inference. arXiv:1611.03404.
• 14. Wolfram S.: The Mathematica Book, Fifth Edition, Wolfram Media, Champaign 2003.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).