| 摘自 Bogumil Kaminski的 Julia for Data Analysis一书 这篇文章告诉你如何在Julia中使用多重调度。 如果你是一个数据科学家或任何与大量数据打交道的人，如果你对Julia语言感兴趣，请阅读它。 |
打75折 用于数据分析的Julia在manning.com结账时，在折扣代码框中输入fcckaminski 即可享受25%的折扣。
让我们来学习如何定义具有不同方法的函数，并将这些知识应用于一个名为 winsorized_mean.
为一个函数定义方法的规则
幸运的是，如果你了解 Julia 类型系统的工作原理，定义方法是相对容易的。你只需在函数的参数后添加类型限制即可 ::.如果省略了类型说明的部分，那么 Julia 就会假定值为 Any类型是允许的。
假设我们想创建一个函数 fun取一个单一的位置参数，其行为如下。
- 如果它被传递了一个数字，它应该打印
"a number was passed"除非它是一个Float64类型的值，在这种情况下，我们希望"a Float64 value"打印。 - 在所有其他情况下，我们希望打印
"unsupported type".
下面是一个例子，你可以通过为一个函数定义三个方法来实现这种行为 fun.
在上面的例子中，请注意，例如 1是一个 Number(因为它是 Int)，但它不是 Float64，所以最具体的匹配方法是 fun(x::Number).
方法的模糊性问题
在为一个函数定义多个方法时，你必须记住的是要避免方法的模糊性。当Julia编译器无法决定对于一组给定的参数应该选择哪种方法时，就会发生这种情况。通过例子来理解这个问题是最容易的。假设你想定义一个接受两个位置参数的 bar 函数。如果其中任何一个是数字，它应该通知你。这里是实现这样一个函数的第一次尝试。
正如你所看到的，所有的工作都很顺利，直到我们想调用 bar通过传递一个数字作为它的第一个和第二个参数。在这种情况下，Julia 抱怨说它不知道哪个方法应该被调用，因为其中有两个可能被选中。幸运的是，我们得到了一个如何解决这种情况的提示。我们需要定义一个额外的方法来解决这个模糊的问题。
julia> bar(x::Number, y::Number) = "both arguments are numbers"
foo (generic function with 4 methods)
julia> bar(1, 2)
"both arguments are numbers"
julia> methods(bar)
# 4 methods for generic function "foo":
[1] bar(x::Number, y::Number) in Main at REPL[8]:1
[2] bar(x::Number, y) in Main at REPL[2]:1
[3] bar(x, y::Number) in Main at REPL[3]:1
[4] bar(x, y) in Main at REPL[1]:1
为什么多重调度是有用的？
了解Julia中的方法是如何工作的，是你应该掌握的基本知识的一部分。正如你在上面的例子中看到的，它允许用户根据函数的任何位置参数的类型来区分函数的行为。结合灵活的类型层次系统，多重调度允许 Julia 程序员编写高度灵活和可重用的代码。请注意，通过在一个合适的抽象层次上指定类型，用户不必考虑每一个可能被传递给函数的具体类型，同时仍然保留对接受何种值的控制。例如，如果你定义了自己的 Number子类型，就像Decimals.jl(https://github.com/JuliaMath/Decimals.jl)包所做的那样，它的特点是支持任意精度的十进制浮点计算的类型，你不必重写你的代码。即使原来的代码不是专门针对这个用例而开发的，所有的代码也只是在新的类型下工作。
改进后的winsorized mean的实现
我们准备改进我们的 winsorized_mean函数的定义。下面是你可以实现它的方法。
首先注意，我们已经限制了允许的类型为 x和 k的类型，因此，如果你试图调用该函数，其参数必须符合要求的类型。
julia> winsorized_mean([8, 3, 1, 5, 7], 1)
5.0
julia> winsorized_mean(1:10, 2)
5.5
julia> winsorized_mean(1:10, "a")
ERROR: MethodError: no method matching winsorized_mean(::UnitRange{Int64}, ::String)
Closest candidates are:
winsorized_mean(::AbstractVector{T} where T, ::Integer) at REPL[6]:1
julia> winsorized_mean(10, 1)
ERROR: MethodError: no method matching winsorized_mean(::Int64, ::Int64)
Closest candidates are:
winsorized_mean(::AbstractVector{T} where T, ::Integer) at REPL[6]:1
此外，我们可以看到代码中有几处地方使它变得稳健。首先，我们检查传递的参数是否一致，也就是说，如果 k为负数或过大，则是无效的，在这种情况下，我们通过调用 throw函数，并以 ArgumentError作为其参数。看看如果我们传递错误的 k:
接下来，在对向量进行排序之前，将存储在向量中的数据复制一份。 x向量中的数据进行分类。为了达到这个目的，我们使用 collect函数，该函数接收任何可迭代的集合，并返回一个存储相同数值的对象，该对象有一个 Vector类型的对象。我们将这个向量传递给 sort!函数来进行就地排序。
你可能会问为什么使用 collect函数来分配一个新的 Vector是需要的。原因是，例如像 1:10是只读的，因此以后我们将不能用 y用 y[i] = y[k + 1]和 y[end - i + 1] = y[end - k].此外，在一般情况下，Julia可以支持数组中非基于1的索引（见github.com/JuliaArrays…。然而。 Vector使用基于1的索引。总之，使用 collect函数将任何集合或一般 AbstractVector变成一个标准的 Vector类型，它是可变的，并且使用基于 1 的索引。
最后请注意，我们没有手动执行for循环，而是使用了 sum函数，它更简单也更健壮。
在方法中添加参数类型注释是否能提高其执行速度？
为函数参数添加类型注解可以使 Julia 代码更容易阅读，也更安全。用户经常问的一个自然问题是，它是否提高了代码的执行速度。
如果你有某个函数的单一方法，那么添加类型注释并不能提高代码执行速度。原因是，当某个函数被调用时，Julia 编译器知道你传递给它的参数类型，并使用这些信息生成本地机器代码。换句话说：类型限制信息并不影响代码的生成。
然而，如果你为某个函数定义了多个方法，情况就不同了。原因是，类型限制会影响到方法的调度。那么，每个方法都可以有一个不同的实现，使用一个针对给定类型的值进行优化的算法。使用多重调度允许 Julia 编译器挑选最适合你的数据的实现。
让我用例子来解释一下。考虑一下 sort函数，我们在第二章中介绍过。通过调用 methods(sort)你可以了解到它在 Base Julia 中定义了五个不同的方法（如果你加载了一些 Julia 包，可能还有更多）。有一个用于排序向量的一般方法，其签名为 sort(v::AbstractVector; kws...)和一个专门用于排序范围的方法，如1:3，其签名是 sort(r::AbstractUnitRange).
有这种专门的方法有什么好处呢？答案是，第二个方法被定义为 sort(r::AbstractUnitRange) = r.因为我们知道 AbstractUnitRange的对象已经被排序了（它们是增量等于1的数值范围），所以我们可以直接返回传递的数值。在这种情况下，利用方法签名中的类型限制可以大大改善 sort显著提高操作性能。
现在就这些了。谢谢你的阅读。
The postUsing Multiple Dispatch in Juliaappeared first onManning.
