DataFrames.jl vs. pandas

 Python は私のようなノンプロが手を出しやすい簡素な言語です。

一方、ライブラリへの依存が高いため、それらの互換性や version に応じて複数の仮想環境の構築を迫られることがあります。将来的には、作成していたコードがライブラリのVer.UP や開発中止で修正を余儀なくされることもあるでしょう（前者は既に経験済みです）。
個人的には 精度や速度が必須となる科学技術計算 を Fortran 、データ整理や可視化を Python、といったような使い分けをしています。現状維持で良いともいえるのですが、そろそろ代替え言語を試しておくべきと思い始めました（リスク管理です）。

先日、ある方から Julia を勧められました。Python と同じくらい容易な書き方で、計算が速く、コンパイルができるとのこと。
それは良い。

ということで、試してみました。
少し古いのですが、LTS の v1.0.5 + win10 （i5のラップトップ）です。インストールはプレコンパイル版を入れるだけ。そのままでは Jupyter での利用は不可でしたが、何度か試行し、動くようになりました。
今回の比較は csv 読み込みからの DataFrame 操作。頻繁に使う機能です（Juria と Python の比較ではなく、DataFrames.jl と pandas の比較になりました）。
結果は以下の通り。

csv読み込み	df=DataFrame(CSV.File(open(read,	1170万行	84.8s
	df6=DataFrame(CSV.File(open(read,	6万行	0.50s
	df=pd.read_csv	1170万行	51.4s
	df6=pd.read_csv	6万行	0.14s
カラム名変更	rename!(df,		0.21s
	df.rename(columns= ,inplace=True)		0.02s
inner_join	dfj=innerjoin(df, df6	290万行	15.5s
	dfj=pd.merge(df, df6	290万行	5.8s
型変換	dfj.＿=Date.(dfj.＿,"yyyy/mm/dd")		86.7s
	dfj['__']=pd.to_datetime(dfj['__'])		1.4s
期間抽出	df0=dfj[dfj[:,"__"] .< _‗, :]	190万行	4.6s
	df0=dfj[dfj['＿’] < ‗_]	190万行	3.6s
集約	df0_st=stack(df0,	380万行	5.6s
	df0_pv=pd.pivot_table(df0,values=	190万行	1.4s

pandas の圧勝でしたね。強い。

Julia でもパッケージを使うので Python と同じような問題は潜在的に有しているのでしょう。
イタレーションでは Julia の方が速くなるそうですので、扱う作業内容により言語を選択する形になるでしょうか？（今回の結果を見る限り、当面の出番はないかもしれませんが）
https://julialang.org/benchmarks/ 

引き続きその動向に注目しましょう。